[發(fā)明專利]人臉識(shí)別模型訓(xùn)練方法、人臉識(shí)別方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202310922706.2
• 申請(qǐng)日: 2023-07-26
• 公開（公告）號(hào): CN116665282A
• 公開（公告）日: 2023-08-29
• 發(fā)明（設(shè)計(jì)）人: 溫東超;趙雅倩;史宏志;葛沅;崔星辰;張英杰
• 申請(qǐng)（專利權(quán)）人: 蘇州浪潮智能科技有限公司
• 主分類號(hào): G06V40/16
• 分類號(hào): G06V40/16;G06V10/774;G06V10/82;G06N3/045;G06N3/0464;G06N3/0475;G06N3/094;G06N3/084
• 代理公司: 北京三聚陽光知識(shí)產(chǎn)權(quán)代理有限公司 11250
• 代理人: 劉賀秋

本發(fā)明涉及人臉識(shí)別技術(shù)領(lǐng)域，公開了人臉識(shí)別模型訓(xùn)練方法、人臉識(shí)別方法及裝置，人臉識(shí)別模型訓(xùn)練方法包括：利用多個(gè)批次的源樣本對(duì)人臉識(shí)別模型進(jìn)行訓(xùn)練，并通過任一批次的源樣本迭代訓(xùn)練人臉識(shí)別模型之后確定人臉識(shí)別模型的性能值；判斷人臉識(shí)別模型的性能值是否大于預(yù)設(shè)性能閾值；如果性能值大于預(yù)設(shè)性能閾值，在人臉識(shí)別模型的損失函數(shù)上增加正則項(xiàng)，以及使用多個(gè)批次的對(duì)抗樣本對(duì)人臉識(shí)別模型進(jìn)行訓(xùn)練；正則項(xiàng)基于源樣本、對(duì)抗樣本以及目標(biāo)樣本確定，對(duì)抗樣本表示在源樣本基礎(chǔ)上添加過對(duì)抗擾動(dòng)的樣本，目標(biāo)樣本表示在源樣本基礎(chǔ)上構(gòu)建的具有指定目標(biāo)類別的樣本。基于本發(fā)明得到的人臉識(shí)別模型的魯棒性更好，能夠抵御對(duì)抗樣本攻擊。

技術(shù)領(lǐng)域

本發(fā)明涉及人臉識(shí)別技術(shù)領(lǐng)域，具體涉及人臉識(shí)別模型訓(xùn)練方法、人臉識(shí)別方法及裝置。

背景技術(shù)

人臉識(shí)別技術(shù)是一種通過分析和識(shí)別人臉特征來識(shí)別以及驗(yàn)證個(gè)體身份的技術(shù)，在支付授權(quán)、視頻監(jiān)控及門禁系統(tǒng)等多種場景中得到了廣泛的應(yīng)用，為人們的生活提供了便利。其中，基于深度學(xué)習(xí)的人臉識(shí)別模型能夠?qū)崿F(xiàn)較高的人臉識(shí)別精度。但是，基于深度學(xué)習(xí)的人臉識(shí)別模型可以被攻擊，使人臉識(shí)別模型產(chǎn)生錯(cuò)誤的識(shí)別結(jié)果。對(duì)抗攻擊屬于一種新型的用于攻擊人臉識(shí)別模型的方法，通過在真實(shí)樣本上增加難以察覺的對(duì)抗擾動(dòng)而生成的對(duì)抗樣本，使人臉識(shí)別模型輸出錯(cuò)誤的結(jié)果。因此，有效提高人臉識(shí)別模型防御對(duì)抗樣本攻擊的能力，成為了本領(lǐng)域技術(shù)人員研究的重點(diǎn)。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明能夠提供一種人臉識(shí)別模型訓(xùn)練方法、人臉識(shí)別方法及裝置，以解決對(duì)抗樣本容易使人臉識(shí)別模型產(chǎn)生錯(cuò)誤的識(shí)別結(jié)果的問題，提高人臉識(shí)別模型防御對(duì)抗樣本攻擊的能力。

第一方面，本發(fā)明提供了一種人臉識(shí)別模型訓(xùn)練方法，該方法包括：

利用多個(gè)批次的源樣本對(duì)人臉識(shí)別模型進(jìn)行訓(xùn)練，并通過任一批次的源樣本迭代訓(xùn)練人臉識(shí)別模型之后確定人臉識(shí)別模型的性能值；

判斷人臉識(shí)別模型的性能值是否大于預(yù)設(shè)性能閾值；

如果性能值大于預(yù)設(shè)性能閾值，在人臉識(shí)別模型的損失函數(shù)上增加正則項(xiàng)，以及使用多個(gè)批次的對(duì)抗樣本對(duì)人臉識(shí)別模型進(jìn)行訓(xùn)練；正則項(xiàng)基于源樣本、對(duì)抗樣本以及目標(biāo)樣本確定，對(duì)抗樣本表示在源樣本基礎(chǔ)上添加過對(duì)抗擾動(dòng)的樣本，目標(biāo)樣本表示在源樣本基礎(chǔ)上構(gòu)建的具有指定目標(biāo)類別的樣本。

本發(fā)明在訓(xùn)練過程中自動(dòng)監(jiān)測模型的性能值，當(dāng)性能值滿足預(yù)設(shè)性能閾值時(shí)在損失函數(shù)上增加正則項(xiàng)和利用對(duì)抗樣本訓(xùn)練模型，確保模型在取得高精度的同時(shí)還具備對(duì)抗魯棒性，可見本發(fā)明實(shí)現(xiàn)了通過動(dòng)態(tài)學(xué)習(xí)策略訓(xùn)練人臉識(shí)別模型，基于本發(fā)明得到的人臉識(shí)別模型具有更好的魯棒性，能夠抵御對(duì)抗樣本攻擊，從而能夠應(yīng)用到對(duì)安全性要求很高的場景中。

在一種可選的實(shí)施方式中，該方法還包括：

如果性能值小于或者等于預(yù)設(shè)性能閾值，在人臉識(shí)別模型的損失函數(shù)上禁止正則項(xiàng)，并繼續(xù)利用源樣本對(duì)人臉識(shí)別模型進(jìn)行訓(xùn)練。

本發(fā)明能夠在當(dāng)前性能值不滿足預(yù)設(shè)性能閾值時(shí)，自動(dòng)禁止正則項(xiàng)，從而確保人臉識(shí)別模型在源樣本上的性能。

在一種可選的實(shí)施方式中，判斷人臉識(shí)別模型的性能值是否大于預(yù)設(shè)性能閾值，包括：

判斷當(dāng)前批次的源樣本的總體損失值是否小于預(yù)設(shè)精度閾值；其中，當(dāng)前批次的源樣本為多個(gè)批次的源樣本中當(dāng)前用于訓(xùn)練人臉識(shí)別模型的一個(gè)批次的源樣本；

如果總體損失值小于預(yù)設(shè)精度閾值，確定人臉識(shí)別模型的性能值大于預(yù)設(shè)性能閾值；

如果總體損失值大于或者等于預(yù)設(shè)精度閾值，確定人臉識(shí)別模型的性能值不大于預(yù)設(shè)性能閾值。

本發(fā)明還能夠通過當(dāng)前批次的源樣本的總體損失值與預(yù)設(shè)精度閾值的比較結(jié)果，準(zhǔn)確地判斷出人臉識(shí)別模型的性能值是否大于預(yù)設(shè)性能閾值。

在一種可選的實(shí)施方式中，多個(gè)批次的源樣本均為良性樣本；其中，良性樣本表示未添加過對(duì)抗擾動(dòng)的真實(shí)樣本。