[發明專利]訓練生成模型的方法和系統

在審

• 申請號: 202110320002.9
• 申請日: 2021-03-25
• 公開（公告）號: CN112926509A
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 李建樹
• 申請（專利權）人: 支付寶實驗室（新加坡）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京博思佳知識產權代理有限公司 11415
• 代理人: 韓果

提供了一種用于訓練生成模型的方法和系統。所述方法包括：處理設備接收第一膚色的訓練用面部圖像；處理設備基于第一膚色的訓練用面部圖像，使用第一生成模型生成第二膚色的第一合成面部圖像；處理設備基于第二膚色的第一合成面部圖像，使用第二生成模型生成第一膚色的第一合成面部圖像。所述方法還包括：處理設備基于第一膚色的訓練用面部圖像和第一膚色的第一合成面部圖像之間的面部特征的差異，使用身份損失最小化模型計算身份分類損失值，其中，所述面部特征用于在人臉識別模型中建立對象的身份；和處理設備基于身份分類損失值更新第一生成模型和第二生成模型。

技術領域

本公開總體上涉及用于訓練生成模型的方法和系統。

背景技術

生成模型(也稱為生成器)是指可以生成新數據實例的一類神經網絡。與之相對，條件模型(也稱為判別模型或判別器)是指可以區分不同數據實例的另一類神經網絡。例如，生成模型可以生成水果的新照片，而條件模型可以區分橘子和蘋果。

生成對抗網絡(GAN)是一種可以創建類似于源數據實例的新數據實例的生成模型。GAN通常包括與條件模型配對的生成模型。訓練生成模型以產生目標輸出，訓練條件模型以區分目標輸出與實際數據。換句話說，生成模型被訓練以生成似是而非(plausible)的目標輸出，其可以欺騙條件模型將目標輸出誤分類為真實數據，而條件模型被訓練以準確地區分目標輸出和真實數據。例如，可以用人臉的照片來訓練GAN中的生成模型，以創建看起來像真實人臉的照片的合成圖像，即使人臉不屬于真人，而GAN中的條件模型可以被訓練以將合成圖像與真人照片區分開。

諸如GAN之類的生成模型也可以被訓練以執行圖像到圖像的轉換。圖像到圖像的轉換通常包括生成經過特定修改的源圖像的合成版本。例如，可以訓練生成模型以將黑白圖像轉換為彩色圖像。但是，通常需要大量的標記訓練數據集(即訓練示例)來訓練用于圖像到圖像的轉換的生成模型，以確保結果的質量、模型的準確性以及消除和/或防止模型中的偏差，使得訓練的神經網絡模型在大多數情況下可以很好地工作。如果生成模型(或由生成模型生成的數據實例)用于具有廣泛用途的應用(例如，人臉識別系統中)，則這尤其重要。然而，整理訓練神經網絡模型(例如，生成模型或人臉識別模型)通常所需的標記訓練數據集可能是耗時且昂貴的。在某些情況下，由于訓練數據可能不存在，或者在數量上不足以充分訓練神經網絡模型，標記數據集實際上可能無法進行整理。例如，雖然在一個域中可能有足夠的標記訓練數據用于訓練神經網絡模型，但在另一個域中的標記訓練數據可能不存在或在數量上不足以充分訓練神經網絡模型。

發明內容

在一個實施例中，提供了一種用于訓練生成模型的方法。所述方法包括：處理設備接收第一膚色的訓練用面部圖像；所述處理設備基于所述第一膚色的訓練用面部圖像，使用第一生成模型生成第二膚色的第一合成面部圖像；所述處理設備基于所述第二膚色的第一合成面部圖像，使用第二生成模型生成所述第一膚色的第一合成面部圖像。所述方法還包括：所述處理設備基于所述第一膚色的訓練用面部圖像和所述第一膚色的第一合成面部圖像之間的面部特征的差異，使用身份損失最小化模型計算身份分類損失值，其中，所述面部特征用于在人臉識別模型中建立對象的身份；和所述處理設備基于所述身份分類損失值更新所述第一生成模型和所述第二生成模型。

在一個實施例中，提供了一種用于訓練生成模型的系統。所述系統包括處理設備，所述處理設備配置為：接收第一膚色的訓練用面部圖像；基于所述第一膚色的訓練用面部圖像，使用第一生成模型生成第二膚色的第一合成面部圖像；并基于所述第二膚色的第一合成面部圖像，使用第二生成模型生成所述第一膚色的第一合成面部圖像。所述處理設備還配置為：基于所述第一膚色的訓練用面部圖像和所述第一膚色的第一合成面部圖像之間的面部特征的差異，使用身份損失最小化模型計算身份分類損失值，其中，所述面部特征用于在人臉識別模型中建立對象的身份；和基于所述身份分類損失值更新所述第一生成模型和所述第二生成模型。