[發明專利]人臉識別模型的訓練方法、裝置及計算機程序產品

有效

• 申請號: 202110932515.5
• 申請日: 2021-08-13
• 公開（公告）號: CN113627361B
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 彭楠;李弼;希滕;張剛
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/774;G06V10/74;G06V10/764
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 王達佐;馬曉亞

1.一種人臉識別模型的訓練方法，執行如下訓練操作，直至得到所述人臉識別模型：

從訓練樣本集中選取訓練樣本，并通過初始人臉識別模型得到所選取的訓練樣本中的樣本人臉圖像的人臉特征，其中，所述訓練樣本集中的訓練樣本包括樣本人臉圖像和類別標簽；

基于所述人臉特征與預設類別集合中的各類別的類別特征，通過所述初始人臉識別模型確定所述人臉特征與各類別特征之間的相似度，以及所述相似度的偏置，其中，所述偏置基于向量乘法運算，將所述人臉特征對應的特征向量與各類別的類別特征對應的特征向量相乘得到；

根據所述相似度、所述偏置和所選取的訓練樣本的類別標簽，確定分類損失，并根據所述分類損失更新所述初始人臉識別模型；

其中，所述相似度對應的相似度矩陣和所述偏置對應的偏置矩陣尺寸一致；以及

所述根據所述相似度、所述偏置和所選取的訓練樣本的類別標簽，確定分類損失，包括：根據所述偏置矩陣調整所述相似度矩陣，得到調整后相似度矩陣；根據所述調整后相似度矩陣和所選取的訓練樣本的類別標簽，確定所述分類損失。

2.根據權利要求1所述的方法，其中，所述人臉特征為所選取的預設數量的樣本人臉圖像對應的特征矩陣；以及

基于所述人臉特征與預設類別集合中的各類別的類別特征，通過所述初始人臉識別模型確定所述相似度的偏置，包括：

基于所述特征矩陣和表征各類別特征的類別矩陣，通過所述初始人臉識別模型得到特征關系矩陣；

對所述特征關系矩陣進行降維操作，得到所述相似度對應的相似度矩陣的偏置矩陣。

3.根據權利要求1-2中任一項所述的方法，其中，所述基于所述人臉特征與預設類別集合中的各類別的類別特征，通過所述初始人臉識別模型確定所述人臉特征與各類別特征之間的相似度，包括：

對所述人臉特征與各類別特征進行歸一化；

確定歸一化后的所述人臉特征與各類別特征之間的相似度。

4.根據權利要求3所述的方法，其中，所述對所述人臉特征與各類別特征進行歸一化，包括：

對所述特征矩陣中的每個人臉特征進行歸一化，得到歸一化特征矩陣；

對所述類別矩陣中的每個類別特征進行歸一化，得到歸一化類別矩陣；以及

所述確定歸一化后的所述人臉特征與各類別特征之間的相似度，包括：

基于所述歸一化特征矩陣與所述歸一化類別矩陣，確定初始相似度矩陣；

基于第一預設數值調整所述初始相似度矩陣中表征同一人臉對象的特征對之間的相似度，并基于第二預設數值調整所述初始相似度矩陣中每個特征對之間的相似度，得到所述相似度矩陣，其中，每個特征對中包括一個人臉特征和一個類別特征。

5.一種人臉識別方法，包括：

獲取待識別圖像；

通過預訓練的人臉識別模型識別所述待識別圖像，得到人臉識別結果，其中，所述人臉識別模型通過權利要求1-4中任一項訓練得到。

6.一種人臉識別模型的訓練裝置，執行如下訓練操作，直至得到所述人臉識別模型：

得到單元，被配置成從訓練樣本集中選取訓練樣本，并通過初始人臉識別模型得到所選取的訓練樣本中的樣本人臉圖像的人臉特征，其中，所述訓練樣本集中的訓練樣本包括樣本人臉圖像和類別標簽；

確定單元，被配置成基于所述人臉特征與預設類別集合中的各類別的類別特征，通過所述初始人臉識別模型確定所述人臉特征與各類別特征之間的相似度，以及所述相似度的偏置，其中，所述偏置基于向量乘法運算，將所述人臉特征對應的特征向量與各類別的類別特征對應的特征向量相乘得到；

更新單元，被配置成根據所述相似度、所述偏置和所選取的訓練樣本的類別標簽，確定分類損失，并根據所述分類損失更新所述初始人臉識別模型；

其中，所述相似度對應的相似度矩陣和所述偏置對應的偏置矩陣尺寸一致；以及

所述更新單元，進一步被配置成：

根據所述偏置矩陣調整所述相似度矩陣，得到調整后相似度矩陣；根據所述調整后相似度矩陣和所選取的訓練樣本的類別標簽，確定所述分類損失。