[發明專利]一種人臉識別模型的訓練方法、裝置及存儲介質

在審

• 申請號: 202310025749.0
• 申請日: 2023-01-09
• 公開（公告）號: CN116012918A
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 陳杞城;張松水;蘇志堅
• 申請（專利權）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: 廈門市精誠新創知識產權代理有限公司 35218
• 代理人: 汪萬龍

本發明提供了一種人臉識別模型的訓練方法、裝置及存儲介質，該方法包括：S1，獲取訓練數據集；S2，將訓練數據集拆分成N個數據集；S3，將N個數據集中的每一個分別輸入主干網絡模型，獲得N個數據集中每一數據集的人臉主干模型特征值；S4，將每一數據集的人臉主干模型特征值分別輸入預置的分類模型，獲得每一個數據集的分類特征值；S5，根據分類模型的損失函數值進行反向傳播，更新每一個數據集的分類特征值；S6，在分類特征值更新完成之后，合并N個數據集的損失函數值，并更新每一個數據集的主干模型特征值。利用上述技術方案，降低了大規模人臉數據的清洗和ID合并復雜度，有效提高了模型訓練精度，且提高了訓練效率。

技術領域

本發明涉及人工智能技術領域，特別是涉及一種人臉識別模型的訓練方法、裝置及存儲介質。

背景技術

近年來，隨著硬件資源的發展，深度學習技術也得到了飛速發展，其在很多領域都取得了不錯的效果，特別是在計算機視覺領域。而人臉識別是計算機視覺領域一個重要的研究方向。人臉識別，是基于人的臉部特征信息進行身份識別的一種生物識別技術。用攝像機或攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部識別的一系列相關技術，通常也叫做人像識別、面部識別。

目前現有的人臉識別訓練方法大都為單一數據集多GPU并行訓練的方法，如：開源insightface中的arcface訓練方法。圖1為現有技術的人臉識別模型訓練方法的示意圖。如圖1所示，現有技術的人臉識別模型訓練方法包括如下步驟：輸入訓練數據集，多個GPU通過共享的主干網絡模型提取該數據集的特征值FC1；將通過主干模型提取出的特征值FC1輸入包含Linear+Softmax的分類模型，輸出分類特征值FC2，以進行人臉ID轉換；計算損失函數Loss，根據計算的損失函數值進行反向傳播，更新主干模型特征值FC1和分類特征值FC2，繼續進行人臉識別模型的訓練直到達到訓練停止條件。

單一數據集訓練時需要確保數據集內的人臉ID不重復，重復率越大，算法訓練精度越低。因此單一數據集在數百萬人臉ID以上的數據整理和清洗的難度巨大，需要耗費巨大的人力物力，導致訓練的效率較低；如果采用算法自動清洗，則對清洗算法精度要求非常高，最終訓練出來的模型精度無法高于清洗算法。

發明內容

本發明的實施例提供了一種人臉識別模型的訓練方法、裝置及存儲介質，以在保證一定的模型訓練精度的情況下，提高大規模數據集下人臉識別模型的訓練效率。

為了實現上述目的，一方面，提供一種人臉識別模型的訓練方法，包括：

S1，獲取一用于人臉識別的訓練數據集；

S2，將所獲取的訓練數據集拆分成N個數據集，其中N為大于1的自然數；

S3，將N個數據集中的每一個分別輸入預置的人臉識別模型中的主干網絡模型，獲得N個數據集中每一數據集的人臉主干模型特征值；

S4，將所獲得的每一數據集的人臉主干模型特征值分別輸入預置的分類模型，獲得每一個數據集的分類特征值；

S5，根據分類模型的損失函數值進行反向傳播，分別更新每一個數據集的分類特征值；

S6，在每一個數據集的分類特征值更新完成之后，合并N個數據集的損失函數值，根據合并后的損失函數值進行反向傳播，并更新每一個數據集的主干模型特征值。

優選地，所述的訓練方法，其中，步驟S2中，將訓練數據集按照數據量平均拆分成N個數據集。

優選地，所述的訓練方法，其中，分類模型包括：線性層和Softmax層。

優選地，所述的訓練方法，其中，步驟S6中合并N個數據集的損失函數值包括：

將N個數據集的損失函數值求平均來獲得合并后的損失函數值。