[發明專利]人證比對模型訓練方法、計算機設備及計算機存儲介質

在審

• 申請號: 202110989212.7
• 申請日: 2021-08-26
• 公開（公告）號: CN113569991A
• 公開（公告）日: 2021-10-29
• 發明（設計）人: 鄭湘琴;石偉
• 申請（專利權）人: 深圳市捷順科技實業股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00
• 代理公司: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 王兆林

1.一種人證比對模型訓練方法，其特征在于，所述方法包括：

獲得多組第一訓練樣本及多組第二訓練樣本，每組所述第一訓練樣本包括自然場景人臉圖像以及所述自然場景人臉圖像對應的身份標簽，每組所述第二訓練樣本包括證件人臉圖像以及所述證件人臉圖像對應的身份標簽；

構建初始人證比對模型，在所述初始人證比對模型中部署主干網絡和分類層，所述主干網絡包括backbone結構和特征層，所述分類層包括所述第一訓練樣本對應的分類層和所述第二訓練樣本對應的分類層；

將多組所述第一訓練樣本及多組所述第二訓練樣本輸入至所述初始人證比對模型，以使得所述主干網絡及所述第一訓練樣本對應的分類層使用所述第一訓練樣本進行訓練，在所述第一訓練樣本對應的訓練過程的基礎上，所述主干網絡及所述第二訓練樣本對應的分類層使用所述第二訓練樣本進行訓練，輸出所述第一訓練樣本對應的第一輸出標簽以及所述第二訓練樣本對應的第二輸出標簽；

當所述第一輸出標簽與所述自然場景人臉圖像對應的身份標簽之間的第一損失函數滿足收斂條件，以及，所述第二輸出標簽與所述證件人臉圖像對應的身份標簽之間的第二損失函數滿足收斂條件時停止訓練，得到目標人證比對模型。

2.根據權利要求1所述的方法，其特征在于，所述主干網絡及所述第一訓練樣本對應的分類層使用所述第一訓練樣本進行訓練，在所述第一訓練樣本對應的訓練過程的基礎上，所述主干網絡及所述第二訓練樣本對應的分類層使用所述第二訓練樣本進行訓練，包括：

使用多組所述第一訓練樣本執行第一階段模型訓練；

使用多組所述第一訓練樣本及多組所述第二訓練樣本對完成所述第一階段模型訓練的初始人證比對模型執行第二階段模型訓練；

使用多組所述第一訓練樣本及多組所述第二訓練樣本對完成所述第二階段模型訓練的初始人證比對模型執行第三階段模型訓練，在完成所述第三階段模型訓練時獲得所述目標人證比對模型。

3.根據權利要求2所述的方法，其特征在于，所述第一階段模型訓練的步驟包括：

將所述主干網絡及所述第一訓練樣本對應的分類層的學習率設置為正數；

將多組所述第一訓練樣本輸入至所述初始人證比對模型，以使得所述主干網絡及所述第一訓練樣本對應的分類層使用所述第一訓練樣本進行訓練，輸出所述第一輸出標簽，在所述第一損失函數滿足收斂條件時確定完成所述第一階段模型訓練。

4.根據權利要求3所述的方法，其特征在于，所述第二階段模型訓練的步驟包括：

將所述主干網絡及所述第一訓練樣本對應的分類層的學習率設置為0，將所述第二訓練樣本對應的分類層的學習率設置為正數；

將多組所述第一訓練樣本及多組所述第二訓練樣本輸入至完成所述第一階段模型訓練的初始人證比對模型，以使得所述主干網絡及所述第一訓練樣本對應的分類層使用所述第一訓練樣本進行訓練，所述主干網絡及所述第二訓練樣本對應的分類層使用所述第二訓練樣本進行訓練，輸出所述第一輸出標簽以及所述第二輸出標簽，在所述第二損失函數滿足收斂條件時確定完成所述第二階段模型訓練。

5.根據權利要求4所述的方法，其特征在于，所述第三階段模型訓練的步驟包括：

將所述主干網絡及所述第一訓練樣本對應的分類層的學習率設置為0，將所述第二訓練樣本對應的分類層的學習率設置為大于0的初始值，且每隔預設訓練次數將所述初始值乘以預設值的乘積作為所述第二訓練樣本對應的分類層的學習率；

將多組所述第一訓練樣本及多組所述第二訓練樣本輸入至完成所述第二階段模型訓練的初始人證比對模型，以使得所述主干網絡及所述第一訓練樣本對應的分類層使用所述第一訓練樣本進行訓練，所述主干網絡及所述第二訓練樣本對應的分類層使用所述第二訓練樣本進行訓練，當完成總訓練次數時確定完成所述第三階段模型訓練，得到所述目標人證比對模型。

6.根據權利要求5所述的方法，其特征在于，所述第二階段模型訓練的步驟中，所述第一損失函數和所述第二損失函數均為arcface loss損失函數；

所述第三階段模型訓練的步驟中，所述第一損失函數為arcface loss損失函數，所述第二損失函數為triplet loss損失函數。