[發(fā)明專利]模型訓(xùn)練方法、親屬關(guān)系分類方法、檢索方法及相關(guān)裝置

在審

• 申請?zhí)枺?/td>: 202110997750.0
• 申請日: 2021-08-27
• 公開（公告）號: CN113869366A
• 公開（公告）日: 2021-12-31
• 發(fā)明（設(shè)計(jì)）人: 陳海波;羅志鵬
• 申請（專利權(quán)）人: 深延科技（北京）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 蘇州領(lǐng)躍知識產(chǎn)權(quán)代理有限公司 32370
• 代理人: 王寧

1.一種模型訓(xùn)練方法，其特征在于，用于對預(yù)設(shè)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，所述預(yù)設(shè)深度神經(jīng)網(wǎng)絡(luò)包括第一特征提取模塊、第二特征提取模塊、拼接層和全連接模塊，所述模型訓(xùn)練方法包括：

獲取訓(xùn)練集，所述訓(xùn)練集中的每個(gè)訓(xùn)練數(shù)據(jù)包括第一訓(xùn)練圖像、第二訓(xùn)練圖像和標(biāo)注信息，所述第一訓(xùn)練圖像和所述第二訓(xùn)練圖像對應(yīng)的標(biāo)注信息用于指示所述第一訓(xùn)練圖像和所述第二訓(xùn)練圖像對應(yīng)的人員是否具有親屬關(guān)系；

針對每個(gè)所述訓(xùn)練數(shù)據(jù)，利用所述訓(xùn)練數(shù)據(jù)的第一訓(xùn)練圖像、第二訓(xùn)練圖像和所述第一特征提取模塊，獲取所述第一訓(xùn)練圖像對應(yīng)的第一特征向量和所述第二訓(xùn)練圖像對應(yīng)的第二特征向量；

利用所述訓(xùn)練數(shù)據(jù)的第一訓(xùn)練圖像、第二訓(xùn)練圖像和所述第二特征提取模塊，獲取所述第一訓(xùn)練圖像對應(yīng)的第三特征向量和所述第二訓(xùn)練圖像對應(yīng)的第四特征向量；

將所述第一訓(xùn)練圖像對應(yīng)的第一特征向量、第三特征向量以及所述第二訓(xùn)練圖像對應(yīng)的第二特征向量、第四特征向量輸入所述拼接層，得到所述第一訓(xùn)練圖像和所述第二訓(xùn)練圖像對應(yīng)的拼接信息；

將所述第一訓(xùn)練圖像和所述第二訓(xùn)練圖像對應(yīng)的拼接信息輸入所述全連接模塊，得到所述第一訓(xùn)練圖像和所述第二訓(xùn)練圖像對應(yīng)的預(yù)測信息，所述第一訓(xùn)練圖像和所述第二訓(xùn)練圖像對應(yīng)的預(yù)測信息是所述第一訓(xùn)練圖像和所述第二訓(xùn)練圖像對應(yīng)的人員是否具有親屬關(guān)系的預(yù)測結(jié)果；

利用所述第一訓(xùn)練圖像和所述第二訓(xùn)練圖像對應(yīng)的預(yù)測信息和標(biāo)注信息，對所述預(yù)設(shè)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到親屬關(guān)系分類模型。

2.根據(jù)權(quán)利要求1所述的模型訓(xùn)練方法，其特征在于，所述第一特征提取模塊采用FaceNet網(wǎng)絡(luò)，所述第二特征提取模塊采用VggFace網(wǎng)絡(luò)。

3.根據(jù)權(quán)利要求2所述的模型訓(xùn)練方法，其特征在于，所述第二特征提取模塊的特征提取網(wǎng)絡(luò)包括卷積塊和標(biāo)識塊，所述利用所述訓(xùn)練數(shù)據(jù)的第一訓(xùn)練圖像、第二訓(xùn)練圖像和所述第二特征提取模塊，獲取所述第一訓(xùn)練圖像對應(yīng)的第三特征向量和所述第二訓(xùn)練圖像對應(yīng)的第四特征向量，包括：

以所述訓(xùn)練數(shù)據(jù)的第一訓(xùn)練圖像和第二訓(xùn)練圖像分別作為目標(biāo)圖像，利用所述目標(biāo)圖像和所述卷積塊，獲取所述目標(biāo)圖像對應(yīng)的中間特征；

將所述目標(biāo)圖像對應(yīng)的中間特征輸入所述標(biāo)識塊，得到所述目標(biāo)圖像對應(yīng)的特征向量；

其中，當(dāng)所述目標(biāo)圖像是所述第一訓(xùn)練圖像時(shí)，所述目標(biāo)圖像對應(yīng)的特征向量即所述第一訓(xùn)練圖像對應(yīng)的第三特征向量；當(dāng)所述目標(biāo)圖像是所述第二訓(xùn)練圖像時(shí)，所述目標(biāo)圖像對應(yīng)的特征向量即所述第二訓(xùn)練圖像對應(yīng)的第四特征向量。

4.根據(jù)權(quán)利要求3所述的模型訓(xùn)練方法，其特征在于，所述卷積塊包括輸入層、第一分支、第二分支、加法層、激活層和輸出層，所述利用所述目標(biāo)圖像和所述卷積塊，獲取所述目標(biāo)圖像對應(yīng)的中間特征，包括：

通過所述卷積塊的輸入層將所述目標(biāo)圖像分別輸入所述卷積塊的第一分支和第二分支，得到所述目標(biāo)圖像對應(yīng)的第一分支信息和第二分支信息；

將所述目標(biāo)圖像對應(yīng)的第一分支信息和第二分支信息輸入所述卷積塊的加法層，得到所述目標(biāo)圖像對應(yīng)的第一加法信息；

將所述目標(biāo)圖像對應(yīng)的第一加法信息輸入所述卷積塊的激活層，得到所述目標(biāo)圖像對應(yīng)的中間特征并通過所述卷積塊的輸出層輸出。

5.根據(jù)權(quán)利要求4所述的模型訓(xùn)練方法，其特征在于，所述目標(biāo)圖像先后通過所述卷積塊的第一分支的第一卷積層、第一批標(biāo)準(zhǔn)化層、第一激活層、第二卷積層、第二批標(biāo)準(zhǔn)化層、第二激活層、第三卷積層、第三批標(biāo)準(zhǔn)化層和SE模塊，得到所述目標(biāo)圖像對應(yīng)的第一分支信息；

所述目標(biāo)圖像先后通過所述卷積塊的第二分支的卷積層和批標(biāo)準(zhǔn)化層，得到所述目標(biāo)圖像對應(yīng)的第二分支信息。