[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

本公開提供了一種特征提取網絡、活體檢測模型的訓練方法和活體檢測方法，涉及人工智能領域，具體涉及計算機視覺和深度學習領域，可應用于人臉識別和活體檢測等場景。特征提取網絡的訓練方法包括：將樣本輸入特征提取網絡中的第一提取子網絡，得到特征圖；樣本具有指示樣本來自多個數據域的實際概率的第一標簽；將特征圖輸入特征提取網絡中的第二提取子網絡，得到域不變特征；分別基于特征圖和域不變特征，采用域分類器得到樣本來自多個數據域的第一概率和第二概率；基于第一概率、實際概率和針對實際概率的第一權重，訓練第一提取子網絡；以及基于第二概率、實際概率和針對實際概率的大于第一權重的第二權重，訓練第二提取子網絡。

技術領域

本公開涉及人工智能技術領域，具體涉及計算機視覺和深度學習技術領域，可應用于人臉識別和活體檢測等場景。

背景技術

隨著計算機技術和網絡技術的發展，深度學習技術在眾多領域得到了廣泛應用。目前，針對某個數據域，深度學習技術能夠帶來較好的測試效果。但在不同的數據域上，則無法保證較好的測試效果。即，深度學習技術模型的泛化能力通常較低。

發明內容

基于此，本公開提供了一種提高泛化能力的特征提取網絡的訓練方法、活體檢測模型的訓練方法和活體檢測方法、裝置、設備和存儲介質。

根據本公開的一個方面，提供了一種特征提取網絡的訓練方法，其中，特征提取網絡包括第一提取子網絡和第二提取子網絡，該訓練方法包括：將第一樣本圖像輸入第一提取子網絡，得到第一樣本圖像的特征圖；其中，第一樣本圖像具有指示第一樣本圖像來自多個數據域的實際概率的第一標簽；將特征圖輸入第二提取子網絡，得到第一樣本圖像的第一域不變特征；分別基于特征圖和第一域不變特征，采用預定域分類器得到第一樣本圖像來自多個數據域的第一概率和第二概率；基于第一概率、實際概率和針對實際概率的第一預定權重，對第一提取子網絡進行訓練；以及基于第二概率、實際概率和針對實際概率的第二預定權重，對第二提取子網絡進行訓練，其中，第一預定權重大于第二預定權重。

根據本公開的另一個方面，提供了一種活體檢測模型的訓練方法，其中，活體檢測模型包括特征提取子模塊和分類子模塊；該方法包括：將第二樣本圖像輸入特征提取網絡，得到第二樣本圖像的第二域不變特征；其中，第二樣本圖像包括目標對象，且第二樣本圖像具有指示目標對象的實際類別的第二標簽；將第二域不變特征輸入分類網絡，得到第二樣本圖像中目標對象的預測類別；以及基于實際類別和預測類別，對活體檢測模型進行訓練，其中，特征提取網絡是采用前述的特征提取網絡的訓練方法訓練得到的，實際類別包括真實類別或非真實類別。

根據本公開的另一方面，提供了一種活體檢測方法，包括：將待檢測圖像輸入活體檢測模型包括的特征提取網絡，得到待檢測圖像的第三域不變特征；以及將第三域不變特征輸入活體檢測模型包括的分類網絡，得到待檢測圖像中目標對象的類別，其中，活體檢測模型是采用前文描述的活體檢測模型的訓練方法訓練得到的。

根據本公開的另一方面，提供了一種特征提取網絡的訓練裝置，其中，該特征提取網絡包括第一提取子網絡和第二提取子網絡，該訓練裝置包括：第一特征提取模塊，用于將第一樣本圖像輸入第一提取子網絡，得到第一樣本圖像的特征圖；其中，第一樣本圖像具有指示第一樣本圖像來自多個數據域的實際概率的第一標簽；第二特征提取模塊，用于將特征圖輸入第二提取子網絡，得到第一樣本圖像的第一域不變特征；概率獲得模塊，用于分別基于特征圖和第一域不變特征，采用預定域分類器得到第一樣本圖像來自多個數據域的第一概率和第二概率；第一訓練模塊，用于基于第一概率、實際概率和針對實際概率的第一預定權重，對第一提取子網絡進行訓練；以及第二訓練模塊，用于基于第二概率、實際概率和針對實際概率的第二預定權重，對第二提取子網絡進行訓練，其中，第一預定權重大于第二預定權重。