[發(fā)明專利]卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法、人臉識(shí)別方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202110717278.0
• 申請(qǐng)日: 2021-06-28
• 公開（公告）號(hào): CN113449848A
• 公開（公告）日: 2021-09-28
• 發(fā)明（設(shè)計(jì)）人: 任雁飛;李文利;李華;杜青
• 申請(qǐng)（專利權(quán)）人: 中國(guó)工商銀行股份有限公司
• 主分類號(hào): G06N3/04
• 分類號(hào): G06N3/04;G06N3/08;G06K9/00
• 代理公司: 北京三友知識(shí)產(chǎn)權(quán)代理有限公司 11127
• 代理人: 孫乳筍;劉熔

1.一種卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，其特征在于，包括：

將樣本圖片輸入待訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，以得到所述待訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)輸出的所述樣本圖片的特征向量以及所述特征向量的第一特征分布；

通過基于余弦距離的損失函數(shù)與具有第一約束條件和第二約束條件的雙環(huán)損失函數(shù)組成的聯(lián)合損失函數(shù)對(duì)所述特征向量進(jìn)行約束，得到所述特征向量的第二特征分布；所述第一約束條件與所述第二約束條件用于改變所述特征向量距離分類中心的位置；

根據(jù)所述第一特征分布與所述第二特征分布的誤差對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整。

2.根據(jù)權(quán)利要求1所述的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，其特征在于，通過基于余弦距離的損失函數(shù)與具有第一約束條件和第二約束條件的雙環(huán)損失函數(shù)組成的聯(lián)合損失函數(shù)對(duì)所述特征向量進(jìn)行約束，得到所述特征向量的第二特征分布，包括：

將基于余弦距離的損失函數(shù)與所述雙環(huán)損失函數(shù)加權(quán)相加得到所述聯(lián)合損失函數(shù)；

將所述特征向量約束在所述第一約束條件與所述第二約束條件劃分的約束范圍內(nèi)，得到所述特征向量的第二特征分布。

3.根據(jù)權(quán)利要求2所述的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，其特征在于，通過所述第一約束條件可將所述特征向量約束在距離分類中心第一距離之外；

通過所述第二約束條件可將所述特征向量約束在距離分類中心第二距離之內(nèi)；

其中，所述第一距離小于所述第二距離，所述第一距離與所述第二距離均根據(jù)目標(biāo)半徑確定。

4.一種人臉識(shí)別方法，其特征在于，包括：

將采集到的人臉圖像輸入預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)，得到所述人臉圖像的特征向量；其中，所述卷積神經(jīng)網(wǎng)絡(luò)通過權(quán)利要求1至3中任一項(xiàng)所述的訓(xùn)練方法訓(xùn)練得到；

根據(jù)所述特征向量進(jìn)行人臉識(shí)別。

5.根據(jù)權(quán)利要求4所述的人臉識(shí)別方法，其特征在于，所述根據(jù)所述特征向量進(jìn)行人臉識(shí)別，包括：

使用預(yù)設(shè)的相似度計(jì)算函數(shù)計(jì)算所述特征向量與數(shù)據(jù)庫(kù)中的特征向量的相似度；

其中，所述相似度計(jì)算函數(shù)為

其中，x為從人臉圖像X中提取的特征向量，y為數(shù)據(jù)庫(kù)中的人臉圖像Y特征向量。

6.一種卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練裝置，其特征在于，包括：

實(shí)際特征分布獲取模塊，用于將樣本圖片輸入待訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，以得到所述待訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)輸出的所述樣本圖片的特征向量以及所述特征向量的第一特征分布；

目標(biāo)特征分布獲取模塊，用于通過基于余弦距離的損失函數(shù)與具有第一約束條件和第二約束條件的雙環(huán)損失函數(shù)組成的聯(lián)合損失函數(shù)對(duì)所述特征向量進(jìn)行約束，得到所述特征向量的第二特征分布；所述第一約束條件與所述第二約束條件用于改變所述特征向量距離分類中心的位置；

參數(shù)調(diào)整模塊，用于根據(jù)所述第一特征分布與所述第二特征分布的誤差對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整。

7.根據(jù)權(quán)利要求6所述的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練裝置，其特征在于，所述目標(biāo)特征分布獲取模塊包括：

聯(lián)合損失函數(shù)確定單元，用于將基于余弦距離的損失函數(shù)與所述雙環(huán)損失函數(shù)加權(quán)相加得到所述聯(lián)合損失函數(shù)；

目標(biāo)特征分布獲取單元，用于將所述特征向量約束在所述第一約束條件與所述第二約束條件劃分的約束范圍內(nèi)，得到所述特征向量的第二特征分布。

8.根據(jù)權(quán)利要求7所述的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練裝置，其特征在于，通過所述第一約束條件可將所述特征向量約束在距離分類中心第一距離之外；

通過所述第二約束條件可將所述特征向量約束在距離分類中心第二距離之內(nèi)；

其中，所述第一距離小于所述第二距離，所述第一距離與所述第二距離均根據(jù)目標(biāo)半徑確定。

9.一種人臉識(shí)別裝置，其特征在于，包括：

特征分析模塊，用于將采集到的人臉圖像輸入預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)，得到所述人臉圖像的特征向量；其中，所述卷積神經(jīng)網(wǎng)絡(luò)通過權(quán)利要求1至3中任一項(xiàng)所述的訓(xùn)練方法訓(xùn)練得到；

人臉識(shí)別模塊，用于根據(jù)所述特征向量進(jìn)行人臉識(shí)別。