[發明專利]基于權重嫁接的模型融合的人臉識別方法及相關設備

有效

• 申請號: 202010937265.X
• 申請日: 2020-09-08
• 公開（公告）號: CN112101172B
• 公開（公告）日: 2023-09-08
• 發明（設計）人: 胡魁;戴磊;張國輝;宋晨
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/80;G06V10/82;G06N3/0464;G06N3/084;G06N3/0985
• 代理公司: 深圳市世聯合知識產權代理有限公司 44385
• 代理人: 汪琳琳

本申請實施例屬于人工智能領域，應用于智慧安防的身份識別領域中，涉及一種基于權重嫁接的模型融合的人臉識別方法，包括訓練N個相同結構的人臉識別模型，選擇其中一個人臉識別模型作為待融合模型并進行微調，微調后對所有的人臉識別模型進行一個訓練周期的訓練，計算訓練后各模型中的每個參數的融合系數，根據融合系數確定每個參數的融合權重，基于所有參數的融合權重更新待融合模型的參數，得到融合模型，通過融合模型對接收到的人臉圖像進行人臉識別。本申請還提供一種基于權重嫁接的模型融合的人臉識別裝置、計算機設備及存儲介質。本申請采用權重嫁接的方式對多個人臉識別模型進行融合，可以提高融合模型識別精度的同時提高模型的執行效率。

技術領域

本申請涉及人工智能技術領域，尤其涉及一種基于權重嫁接的模型融合的人臉識別方法及相關設備。

背景技術

隨著人臉識別技術在金融加密解鎖領域、安檢領域、家居安保領域等安全領域的應用，用戶對人臉識別的精確度要求也再不斷提高。目前，提高人臉識別精確度的方法是出于人臉識別的不同模型的識別特征不同，將不同模型進行融合得到人臉識別的融合模型。但是，現有的模型融合方法是將多個模型的輸出進行組合、排列或者投票等方式得出最終輸出，這樣做會整體提高模型精度，但是同樣引入了需要多次獨立的前向的問題，影響模型的執行效率。

此外，深度卷積神經網絡(Deep?Convolution?Neural?Network,DCNN)中包含對輸出影響較小甚至無效的權重，這些權重在整個模型中起到的正反饋微乎其微。對影響因子較小的權重，現有的做法是通過一些剪枝的策略將這些無效的權重剪除掉，去除該權重對最終結果的影響。剪枝的方法會刪除一些權重、特征層等，這樣做的好處是刪除了權重之后，模型的參數量變少，執行速度變快，但是模型的精度會有一定的下降。

發明內容

本申請實施例的目的在于提出一種基于權重嫁接的模型融合的人臉識別方法及相關設備，以解決相關技術中生成的融合模型執行效率低以及識別精度下降的問題。

為了解決上述技術問題，本申請實施例提供一種基于權重嫁接的模型融合的人臉識別方法，采用了如下所述的技術方案：

分別訓練N個相同結構的人臉識別模型，其中，N為正整數；

選擇其中一個人臉識別模型作為待融合模型并進行微調，微調后對所有的人臉識別模型進行一個訓練周期的訓練；

計算訓練后各人臉識別模型中的每個參數的融合系數；及

根據所述融合系數確定每個參數的融合權重，基于所有參數的所述融合權重更新所述待融合模型的參數，以得到融合模型；

通過所述融合模型對接收到的人臉圖像進行人臉識別。

進一步的，所述計算訓練后各人臉識別模型中的每個參數的融合系數的步驟具體包括：

計算出訓練后的所述各人臉識別模型中每個參數的權重熵；

根據所述權重熵計算出對應參數的融合系數。

進一步的，所述計算出訓練后的所述各人臉識別模型中每個參數的權重熵的步驟具體包括：

將訓練后的各人臉識別模型中每個參數對應的權重值，按照大小等分為不同的值域；

計算每個值域對應的權重值概率；

根據所述概率計算出每個人臉識別模型中每個參數對應的權重熵。

進一步的，所述根據所述融合系數確定每個參數的融合權重的步驟具體包括：

將所有模型中同一個目標參數的權重熵通過融合系數進行加權合并，得到所述目標參數在所述融合模型中的融合權重。

進一步的，在所述基于所有參數的所述融合權重更新所述待融合模型的參數，以得到融合模型的步驟之后還包括：