[發明專利]人臉識別深度學習模型訓練方法、裝置、設備及存儲介質

在審

• 申請號: 202211727442.7
• 申請日: 2022-12-30
• 公開（公告）號: CN115953820A
• 公開（公告）日: 2023-04-11
• 發明（設計）人: 楊戰波;黃澤元;蔣召
• 申請（專利權）人: 北京龍智數科科技服務有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/82;G06N3/045;G06N3/0464;G06N3/08
• 代理公司: 北京嘉科知識產權代理事務所(特殊普通合伙) 11687
• 代理人: 楊超

本申請提供一種人臉識別深度學習模型訓練方法、裝置、設備及存儲介質。該方法包括：將人臉樣本圖像輸入到雙支路基礎單元，利用第一支路和第二支路分別提取第一特征圖和第二特征圖，將第一特征圖和第二特征圖拼接得到變換特征圖；對骨干網絡中目標階段輸出的特征圖進行處理，得到每個目標階段的特征向量，將特征向量聚合得到目標特征向量；確定目標特征向量與各個人臉類別的類中心的夾角，并根據人臉樣本圖像對應人臉類別的樣本數及最大類別樣本數確定加性間隔參數，將夾角及加性間隔參數輸入到損失函數中計算損失值；利用損失值對人臉識別深度學習模型進行訓練。本申請提升了人臉識別模型的準確性和人臉識別效果。

技術領域

本申請涉及計算機技術領域，尤其涉及一種人臉識別深度學習模型訓練方法、裝置、設備及存儲介質。

背景技術

人臉識別模型訓練任務中，需考慮基礎單元對模型訓練的影響，以及如何獲取更具判別性的特征表達，另外還要考慮訓練數據的類別不平衡問題，這對人臉識別模型的設計帶來困難。

傳統人臉識別模型的基礎單元通常只有一個卷積層，容易忽略原始圖片的一些關鍵信息，且傳統人臉識別模型訓練通常只取最后一個卷積層的輸出特征作為特征表達，忽略了前層的細節特征；另外，人臉識別訓練集通常存在較大的類別不平衡問題。由于存在上述情況，導致現有的人臉識別模型訓練無法提取豐富的人臉圖片基礎特征，特征表達忽略細節特征，訓練集中的類別不平衡導致訓練后的人臉識別模型的準確性低，人臉識別效果差的問題。

發明內容

有鑒于此，本申請實施例提供了一種人臉識別深度學習模型訓練方法、裝置、設備及存儲介質，以解決現有技術存在的無法提取豐富的人臉圖片基礎特征，特征表達忽略細節特征，人臉識別模型的準確性低，人臉識別效果差的問題。

本申請實施例的第一方面，提供了一種人臉識別深度學習模型訓練方法，包括：將人臉樣本圖像輸入到預定的雙支路基礎單元，利用雙支路基礎單元中的第一支路和第二支路分別提取第一特征圖和第二特征圖，將第一特征圖和第二特征圖進行拼接，得到變換特征圖；將變換特征圖輸入到骨干網絡，對骨干網絡中預設的目標階段輸出的特征圖進行處理，得到每個目標階段對應的特征向量，將特征向量進行聚合，得到目標特征向量；確定目標特征向量與各個人臉類別的類中心之間的夾角，并根據人臉樣本圖像對應人臉類別的樣本數及最大類別樣本數確定加性間隔參數，將夾角及加性間隔參數輸入到預設的損失函數中計算損失值；利用損失值反向更新人臉識別深度學習模型的參數，以便對人臉識別深度學習模型進行訓練。

本申請實施例的第二方面，提供了一種人臉識別深度學習模型訓練裝置，包括：提取模塊，被配置為將人臉樣本圖像輸入到預定的雙支路基礎單元，利用雙支路基礎單元中的第一支路和第二支路分別提取第一特征圖和第二特征圖，將第一特征圖和第二特征圖進行拼接，得到變換特征圖；聚合模塊，被配置為將變換特征圖輸入到骨干網絡，對骨干網絡中預設的目標階段輸出的特征圖進行處理，得到每個目標階段對應的特征向量，將特征向量進行聚合，得到目標特征向量；損失模塊，被配置為確定目標特征向量與各個人臉類別的類中心之間的夾角，并根據人臉樣本圖像對應人臉類別的樣本數及最大類別樣本數確定加性間隔參數，將夾角及加性間隔參數輸入到預設的損失函數中計算損失值；訓練模塊，被配置為利用損失值反向更新人臉識別深度學習模型的參數，以便對人臉識別深度學習模型進行訓練。

本申請實施例的第三方面，提供了一種電子設備，包括存儲器，處理器及存儲在存儲器上并可在處理器上運行的計算機程序，處理器執行程序時實現上述方法的步驟。

本申請實施例的第四方面，提供了一種計算機可讀存儲介質，該計算機可讀存儲介質存儲有計算機程序，該計算機程序被處理器執行時實現上述方法的步驟。

本申請實施例采用的上述至少一個技術方案能夠達到以下有益效果：