[發明專利]一種基于深度神經網絡模型的半監督在線人臉識別方法及系統

有效

• 申請號: 202011191914.2
• 申請日: 2020-10-30
• 公開（公告）號: CN112417986B
• 公開（公告）日: 2023-03-10
• 發明（設計）人: 鄧雄
• 申請（專利權）人: 四川天翼網絡股份有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/774;G06V10/82;G06N3/04;G06N3/09
• 代理公司: 成都金英專利代理事務所(普通合伙) 51218
• 代理人: 袁英

1.一種基于深度神經網絡模型的半監督在線人臉識別方法，其特征在于，所述半監督在線人臉識別方法包括離線訓練步驟和在線訓練步驟，通過離線訓練生成基礎人臉識別特征提取模型，通過在線迭代訓練耦合應用場景數據，提高人臉識別模型在實際應用場景的精度；其中：

所述離線訓練包括如下步驟：

準備訓練數據，包括已標注數據，和未標注數據；

構建深度神經網絡；

設計并計算Loss函數；

訓練整體模型架構，獲得特征提取模型；

所述在線訓練包括如下步驟：

搭建訓練機環境，將離線訓練模型部署在訓練機中；

前端人臉識別設備將識別結果上傳到數據預處理平臺；

數據預處理平臺根據識別結果和圖像數據進行預處理；

根據預處理結果選擇在線監督訓練或自監督訓練，對于已識別的人臉建立類別標簽，如果該類別圖片收集大于A張，則該類別滿足在線監督訓練條件；對于未識別的人臉，加入到訓練集中，滿足自監督訓練條件；當數據達到設定量時，將數據下放到訓練機中進行訓練；

訓練完成自動測試模型。

2.如權利要求1所述的一種基于深度神經網絡模型的半監督在線人臉識別方法，其特征在于，所述離線訓練增加自監督訓練模塊，用以實現無監督學習。

3.如權利要求1所述的一種基于深度神經網絡模型的半監督在線人臉識別方法，其特征在于，所述設計Loss函數，包括監督學習的InsightFace Loss和自監督學習的MSE Loss。

4.如權利要求1所述的一種基于深度神經網絡模型的半監督在線人臉識別方法，其特征在于，所述Loss計算，對于已標注的數據為Loss1=InsightFace Loss + MSE Loss，對于未標注的樣本數據Loss2=MSE Loss，增體Loss=lamda*Loss1 +（1-lamda）*Loss2，lamda的取值范圍為[0.5,1]。

5.如權利要求1所述的一種基于深度神經網絡模型的半監督在線人臉識別方法，其特征在于，所述人臉識別方法，對于已識別的人臉建立類別標簽，如果該類別圖片收集大于5張，選擇在線監督訓練；對于未識別的人臉，加入訓練集中，選擇自監督訓練；當數據達到設定量后，觸動在線訓練請求，并將滿足訓練條件的數據下放到訓練機中進行訓練。

6.如權利要求1所述的一種基于深度神經網絡模型的半監督在線人臉識別方法，其特征在于，所述人臉識別方法，訓練完成后自動測試模型，如果測試精度高于原離線模型，則更新模型到前端人臉識別設備。

7.一種基于深度神經網絡模型的半監督在線人臉識別系統，其特征在于，所述人臉識別系統包括：

模型生成單元：通過離線訓練生成離線訓練模型，通過在線訓練生成在線訓練模；

前端人臉識別設備：獲取并上傳識別結果；

數據預處理單元：根據識別結果和圖像數據進行預處理；

圖像訓練單元：根據預處理結果選擇在線監督訓練或自監督訓練，對于已識別的人臉建立類別標簽，如果該類別圖片收集大于A張，則該類別滿足在線監督訓練條件；對于未識別的人臉，加入到訓練集中，滿足自監督訓練條件；當數據達到設定量時，將數據下放到訓練機中進行訓練；

模型測試單元：對離線訓練模型和在線訓練模型進行測試，將精度高的模型更新到前端人臉識別設備。