[發(fā)明專利]一種人臉識別模型的訓(xùn)練方法、裝置及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202310025749.0
• 申請日: 2023-01-09
• 公開（公告）號: CN116012918A
• 公開（公告）日: 2023-04-25
• 發(fā)明（設(shè)計）人: 陳杞城;張松水;蘇志堅
• 申請（專利權(quán)）人: 廈門狄耐克智能科技股份有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/774
• 代理公司: 廈門市精誠新創(chuàng)知識產(chǎn)權(quán)代理有限公司 35218
• 代理人: 汪萬龍

1.一種人臉識別模型的訓(xùn)練方法，其特征在于，包括：

S1，獲取一用于人臉識別的訓(xùn)練數(shù)據(jù)集；

S2，將所獲取的所述訓(xùn)練數(shù)據(jù)集拆分成N個數(shù)據(jù)集，其中N為大于1的自然數(shù)；

S3，將所述N個數(shù)據(jù)集中的每一個分別輸入預(yù)置的人臉識別模型中的主干網(wǎng)絡(luò)模型，獲得所述N個數(shù)據(jù)集中每一數(shù)據(jù)集的人臉主干模型特征值；

S4，將所獲得的每一數(shù)據(jù)集的人臉主干模型特征值分別輸入預(yù)置的分類模型，獲得所述每一個數(shù)據(jù)集的分類特征值；

S5，根據(jù)分類模型的損失函數(shù)值進行反向傳播，分別更新所述每一個數(shù)據(jù)集的分類特征值；

S6，在所述每一個數(shù)據(jù)集的分類特征值更新完成之后，合并所述N個數(shù)據(jù)集的損失函數(shù)值，根據(jù)所述合并后的損失函數(shù)值進行反向傳播，并更新所述每一個數(shù)據(jù)集的主干模型特征值。

2.根據(jù)權(quán)利要求1所述的訓(xùn)練方法，其特征在于，所述步驟S2中，將所述訓(xùn)練數(shù)據(jù)集按照數(shù)據(jù)量平均拆分成所述N個數(shù)據(jù)集。

3.根據(jù)權(quán)利要求1所述的訓(xùn)練方法，其特征在于，所述分類模型包括：線性層和Softmax層。

4.根據(jù)權(quán)利要求1所述的訓(xùn)練方法，其特征在于，所述步驟S6中合并所述N個數(shù)據(jù)集的損失函數(shù)值包括：

將所述N個數(shù)據(jù)集的損失函數(shù)值求平均來獲得所述合并后的損失函數(shù)值。

5.根據(jù)權(quán)利要求1所述的訓(xùn)練方法，其特征在于，將主干模型的學(xué)習(xí)率設(shè)置成大于所述分類模型的學(xué)習(xí)率，其中所述主干模型的學(xué)習(xí)率與所述分類模型的學(xué)習(xí)率相比的倍數(shù)值與所述N值相關(guān)。

6.根據(jù)權(quán)利要求1所述的訓(xùn)練方法，其特征在于，所述步驟S2中，根據(jù)要完成的不同任務(wù)來拆分所述訓(xùn)練數(shù)據(jù)集，不同的任務(wù)使用不同的數(shù)據(jù)集。

7.一種人臉識別裝置，其特征在于，包括存儲器和處理器，所述存儲器存儲有至少一段程序，所述至少一段程序由處理器執(zhí)行以實現(xiàn)如權(quán)利要求1至6任一所述的訓(xùn)練方法。

8.一種人臉識別裝置，其特征在于，包括存儲器和處理器，所述存儲器存儲有至少一段程序，所述至少一段程序由處理器執(zhí)行以實現(xiàn)采用如權(quán)利要求1至6任一所述的訓(xùn)練方法訓(xùn)練好的人臉識別模型。

9.一種計算機可讀存儲介質(zhì)，其特征在于，所述存儲介質(zhì)中存儲有至少一段程序，所述至少一段程序由處理器執(zhí)行以實現(xiàn)如權(quán)利要求1至6任一所述的訓(xùn)練方法。

10.一種計算機可讀存儲介質(zhì)，其特征在于，所述存儲介質(zhì)中存儲有至少一段程序，所述至少一段程序由處理器執(zhí)行以實現(xiàn)采用如權(quán)利要求1至6任一所述的訓(xùn)練方法訓(xùn)練好的人臉識別模型。