[發明專利]人臉識別模型的訓練和識別方法、存儲介質及相關設備

在審

• 申請號: 202011500234.4
• 申請日: 2020-12-18
• 公開（公告）號: CN112257689A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 石海林;杜航;王軍;梅濤
• 申請（專利權）人: 北京京東尚科信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京派特恩知識產權代理有限公司 11270
• 代理人: 李昂;張穎玲

本申請實施例公開了一種人臉識別模型的訓練和識別方法、存儲介質及相關設備，所述訓練方法包括：獲得在第N次迭代下的至少兩組圖像；依據至少兩組圖像，獲得在第N次迭代下的兩組訓練數據集；由第N次迭代下的副模型對第一組訓練數據集進行處理，得到人臉在第N次迭代下的第一特征組；由第N次迭代下的主模型對第二組訓練數據集進行處理，得到人臉在第N次迭代下的第二特征組；依據第一特征組和第二特征組，計算第N次迭代下的損失函數值；依據在第N次迭代下的損失函數值，至少確定是否對第N次迭代下的主模型進行相應次更新。

技術領域

本申請涉及識別技術領域，具體涉及一種人臉識別模型的訓練方法、人臉識別方法、相關設備、及計算機可讀存儲介質。

背景技術

目前基于深度學習的人臉識別訓練方法是在訓練數據集上令卷積神經網絡模型學習人臉的特征表達，通過計算人臉特征之間的相似性分數來識別待識別人臉的身份信息。如果將前述的卷積神經網絡模型視為人臉識別模型，則在相關技術中對常用的人臉識別模型的訓練方法是將人臉識別看成一個多分類任務，使用卷積神經網絡模型中的全連接層和損失函數進行待識別人臉屬于各個身份類別的概率的計算。當各個身份類別的樣本數量較多的情況下（充足）時，上述的方法能夠取得較好的性能。但是人臉識別技術的廣泛應用往往會產生大量的淺層數據。淺層數據是相對于深層數據而言的，深層數據可以指的是各個身份類別的樣本（人臉圖像）數量充足，也即針對同一人臉的圖像的數量較多的。相對于深層數據，淺層數據指的是同一人臉的圖像的數量有限或較少。針對淺層數據，如果仍然使用前述的訓練方法（傳統訓練方法），則會導致人臉識別模型的訓練不準確的問題。

發明內容

為解決現有存在的技術問題，本申請實施例提供一種人臉識別模型的訓練方法、人臉識別方法、相關設備、及計算機可讀存儲介質。

本申請實施例的技術方案是這樣實現的：

本申請實施例提供一種人臉識別模型的訓練方法，所述人臉識別模型包括副模型和主模型，所述訓練方法包括：

獲得在第N次迭代下的至少兩組圖像，其中所述至少兩組圖像中的每組圖像是針對同一人臉的兩張圖像；N為大于等于1的正整數；

依據至少兩組圖像，獲得在第N次迭代下的兩組訓練數據集；

由第N次迭代下的副模型對第一組訓練數據集進行處理，得到人臉在第N次迭代下的第一特征組；

由第N次迭代下的主模型對第二組訓練數據集進行處理，得到人臉在第N次迭代下的第二特征組；

依據第一特征組和第二特征組，計算第N次迭代下的損失函數值；

依據在第N次迭代下的損失函數值，至少確定是否對第N次迭代下的主模型進行相應次更新；

其中，如果確定不對第N次迭代下的主模型進行第N次更新，迭代過程結束；如果確定對第N次迭代下的主模型進行第N次更新，N=N+1繼續執行第N+1次迭代過程。

在前述方案中，所述依據在第N次迭代下的損失函數值，至少確定是否對第N次迭代下的主模型進行相應次更新，包括：

依據在第N次迭代下的損失函數值，確定是否對第N次迭代下的主模型和副模型進行相應次更新。

在前述方案中，所述依據在第N次迭代下的損失函數值，至少確定是否對第N次迭代下的主模型進行相應次更新，包括：

如果第N次迭代次數下的損失函數值小于或等于預設的損失閾值，至少確定不對第N次迭代下的主模型進行第N次更新；

如果第N次迭代次數下的損失函數值大于預設的損失閾值，至少確定對第N次迭代下的主模型進行第N次更新。

在前述方案中，在第N+1次迭代方案中，