[發明專利]特征提取網絡、活體檢測模型的訓練方法和活體檢測方法

在審

• 申請號: 202110888934.3
• 申請日: 2021-08-03
• 公開（公告）號: CN113591736A
• 公開（公告）日: 2021-11-02
• 發明（設計）人: 鄒棹帆
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 呂朝蕙

1.一種特征提取網絡的訓練方法，其中，所述特征提取網絡包括第一提取子網絡和第二提取子網絡；所述方法包括：

將第一樣本圖像輸入所述第一提取子網絡，得到所述第一樣本圖像的特征圖；其中，所述第一樣本圖像具有指示所述第一樣本圖像來自多個數據域的實際概率的第一標簽；

將所述特征圖輸入所述第二提取子網絡，得到所述第一樣本圖像的第一域不變特征；

分別基于所述特征圖和所述第一域不變特征，采用預定域分類器得到所述第一樣本圖像來自所述多個數據域的第一概率和第二概率；

基于所述第一概率、所述實際概率和針對所述實際概率的第一預定權重，對所述第一提取子網絡進行訓練；以及

基于所述第二概率、所述實際概率和針對所述實際概率的第二預定權重，對所述第二提取子網絡進行訓練，

其中，所述第一預定權重大于所述第二預定權重。

2.根據權利要求1所述的方法，其中，所述特征提取網絡還包括第一歸一化子網絡和第二歸一化子網絡；采用預定域分類器得到所述第一樣本圖像來自所述多個數據域的第一概率和第二概率包括：

將所述特征圖輸入所述第一歸一化子網絡，得到第一標準特征；

將所述第一域不變特征輸入所述第二歸一化子網絡，得到第二標準特征；以及

將所述第一標準特征和所述第二標準特征分別輸入所述預定域分類器，分別得到所述第一概率和所述第二概率。

3.根據權利要求1所述的方法，其中，所述第一樣本圖像為多個，多個第一樣本圖像包括：具有真實類別的目標對象的第一樣本和具有非真實類別的目標對象的第二樣本。

4.根據權利要求3所述的方法，其中，所述第二樣本包括來自所述多個數據域中至少兩個數據域的多個樣本；所述方法還包括：

確定來自相同數據域的兩個第二樣本各自的第一域不變特征，得到兩個第一目標特征；以及

基于所述兩個第一目標特征之間的第一距離，采用預定損失函數對所述特征提取網絡進行訓練，

其中，所述預定損失函數與所述第一距離彼此正相關。

5.根據權利要求3或4所述的方法，其中，所述第一樣本為多個，所述方法還包括：

確定多個第一樣本中任意兩個第一樣本各自的第一域不變特征，得到兩個第二目標特征；以及

基于所述兩個第二目標特征之間的第二距離，采用預定損失函數對所述特征提取網絡進行訓練，

其中，所述預定損失函數與所述第二距離彼此正相關。

6.根據權利要求3～5中任一項所述的方法，還包括：

基于所述第一樣本的第一域不變特征與所述第二樣本的第一域不變特征之間的第三距離，采用預定損失函數對所述特征提取網絡進行訓練，

其中，所述預定損失函數與所述第三距離彼此負相關。

7.根據權利要求4所述的方法，還包括：

確定來自不同數據域的兩個第二樣本各自的第一域不變特征，得到兩個第三目標特征；以及

基于所述兩個第三目標特征之間的第四距離，采用所述預定損失函數對所述特征提取網絡進行訓練，

其中，所述預定損失函數與所述第四距離彼此負相關。

8.根據權利要求7中所述的方法，其中，所述預定損失函數采用以下公式表示：

其中，分別表示兩個第一樣本的第一域不變特征或屬于相同數據域的兩個第二樣本的第一域不變特征；分別表示第一樣本的第一域不變特征和第二樣本的第一域不變特征，或屬于不同數據域的兩個第二樣本的第一域不變特征，m為大于0的預定邊界值。

9.根據權利要求3所述的方法，其中：

對所述第一提取子網絡進行訓練包括：在所述第一概率是基于所述第一樣本獲得的情況下，對所述第一提取子網絡進行訓練；或者

對所述第二提取子網絡進行訓練包括：在所述第二概率是基于所述第一樣本獲得的情況下，對所述第二提取子網絡進行訓練。