一种基于卷积神经网络的跨领域面部特征解析方法技术

本发明专利技术提供一种基于卷积神经网络的跨领域面部特征解析方法，包括：采集样本数据；根据采集的样本数据中的有标签数据及其类别，对无标签数据的样本类别、样本相似度和样本所属领域进行预测；根据预测结果获取模型参数，建立跨领域面部特征解析网络模型；对所述模型进行训练；通过训练后的跨领域面部特征解析网络模型执行跨领域面部特征解析任务；本发明专利技术将自适应特征学习和识别模型训练联合到统一的卷积神经网络框架中，同时优化样本标签预测、领域标签预测和样本相似性预测三个目标函数的损失，确保网络学习到的面部图像特征具有类间判别性和领域不变性，尤其适用于跨领域面部特征解析。

【技术实现步骤摘要】
一种基于卷积神经网络的跨领域面部特征解析方法
本专利技术涉及计算机视觉、人工智能
，尤其涉及一种基于卷积神经网络的跨领域面部特征解析方法。
技术介绍
跨领域面部特征解析方法属于领域自适应方法在面部特征解析上的应用。领域自适应的主要内容是通过最小化源域(训练数据集)和目标域(测试数据集)间的数据分布差异，力求实现将在训练集中学习的识别模型自适应地运用到测试集中。在面部特征解析过程中，最小化数据分布差异的方法大多是基于给定的输入面部图像特征表达学习源域与目标域之间的特征变换，再基于此特征学习具有领域自适应能力的面部特征解析模型。传统的面部特征解析方法主要包括基于面部几何特征、模板匹配、代数特征及神经网络等方法，但是，这些方法大多属于浅层模型，学习能力有限，已经越来越无法满足实际应用需求。在深度学习模型中，通常使用大数据集进行特征提取，而对于小规模数据集，常采用Fine-tuning技术将已有的深度神经网络模型参数自适应到该小规模目标数据集上进行学习。虽然Fine-tuning技术具有较强的领域自适应性，但其要求目标数据集中具有足够多的有标签数据。而在跨领域面部特征解析问题中，目标域的数据样本通常没有标签信息(无监督领域自适应)或只有少量的有标签信息(半监督自适应)。因此，需要一种新的技术手段，能够在保证学习能力的基础上，具有领域自适应性的面部特征表达。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术提供一种基于卷积神经网络的跨领域面部特征解析方法，以克服上述技术问题。本专利技术提供的基于卷积神经网络的跨领域面部特征解析方法，包括：采集样本数据；根据采集的样本数据中的有标签数据及其类别，对无标签数据的样本类别、样本相似度和样本所属领域进行预测；根据预测结果获取模型参数，建立跨领域面部特征解析网络模型；对所述模型进行训练；通过训练后的跨领域面部特征解析网络模型执行跨领域面部特征解析任务。进一步，所述跨领域面部特征解析网络模型的结构为卷积神经网络，包括特征提取器、领域标签预测器、相似性预测器和类别标签预测器，所述卷积神经网络包括多个卷积层，并至少包括两个全连接层，通过在最后一个全连接层后插入自适应网络层，形成特征映射层。进一步，在所述自适应网络层后设置宽度与样本类别数相等的全连接层Ⅰ，并将其作为类别标签预测器，将softmaxloss函数作为样本标签预测的损失函数，通过所述类别标签预测器和样本标签预测的损失函数对无标签数据的样本类别进行预测。进一步，所述跨领域面部特征解析网络模型包括源域数据通道与目标域数据通道，在每条通道的自适应网络层后分别设置全连接层Ⅱ，并将contrastiveloss函数作为领域间样本对相似性评估的损失函数，根据所述领域间样本对相似性评估的损失函数预测样本的相似度。进一步，在所述自适应网络层后设置梯度反向层，并在所述梯度反向层后添加多个堆叠的全连接层，并将cross-entropyloss作为领域标签预测的损失函数，根据所述领域标签预测的损失函数预测样本所属领域。进一步，对所述跨领域面部特征解析网络模型进行模型优化，所述模型优化包括：通过最小化有标签样本的标签预测损失函数，对特征映射层和样本类别标签预测函数进行参数优化。进一步，所述模型优化还包括：通过最大化领域标签预测器对样本领域标签预测的损失函数，对学习图像特征的领域不可区分性进行优化。进一步，所述模型优化还包括：通过最小化相似性预测器对于样本对相似性预测的损失函数，对基于特征映射层学习的图像特征的类间判别性和领域不变性进行优化。进一步，所述模型优化通过如下公式表示：其中，E(θf，θy，θd，θs)为优化的目标函数，Ly(.)为样本类别标签预测的损失函数，Ld(.)领域标签预测的损失函数，Ls(.)为相似性预测的损失函数，α和β为目标函数训练过程中的权重系数，θf为特征映射参数，θy为类别标签预测参数，θs为相似性映射参数，θd为领域标签映射参数，Gf为特征映射器，Gy为类别标签预测器，Gs为相似性预测器，Gd为领域标签预测器，di为源域数据样本的领域标签，dj为目标域数据样本的领域标签，xit为目标域的样本数据，xis为源域的样本数据，sij为样本对的相似度，ns,nt分别指源域和目标域中的样本数量。进一步，将梯度反转层插入到特征映射层与领域标签预测层之间，所述梯度反转层在前向传播和反向传播中的功能通过如下公式表示：Rα(x)＝x其中，I表示单位矩阵，Rα(x)为梯度反转层函数，α为目标函数训练过程中的权重系数。本专利技术的有益效果：本专利技术中的基于卷积神经网络的跨领域面部特征解析方法，针对不同任务建立了相应的特征提取器、类别标签预测器、相似性预测器及领域标签预测器，并对应不同的损失函数，将自适应特征学习和识别模型训练联合到统一的卷积神经网络框架中，同时优化样本标签预测、领域标签预测和样本相似性预测三个目标函数的损失，确保网络学习到的面部图像特征具有类间判别性和领域不变性，尤其适用于跨领域面部特征解析，能够在保证学习能力的基础上，具有领域自适应性的面部特征表达。附图说明图1是本专利技术实施例中基于卷积神经网络的跨领域面部特征解析方法的流程示意图。图2是本专利技术实施例中跨领域面部特征解析网络模型的结构示意图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。如图1所示，本实施例中的基于卷积神经网络的跨领域面部特征解析方法，包括：采集样本数据；根据采集的样本数据中的有标签数据及其类别，对无标签数据的样本类别、样本相似度和样本所属领域进行预测；根据预测结果获取模型参数，建立跨领域面部特征解析网络模型；对所述模型进行训练；通过训练后的跨领域面部特征解析网络模型执行跨领域面部特征解析任务。在本实施例中，针对半监督的面部特征解析问题，为了增强识别方法的领域自适应性，本实施例通过在卷积神经网络中加入领域间有标签样本的相似性约束，利用所有的有类别标签和无类别标签样本数据学习同时具有领域自适应性的面部特征表达，本实施例中的跨领域面部特征解析的卷积神经网络针对不同任务建立了相应的特征提取器、类别标签预测器、相似性预测器及领域标签预测器，并对应不同的损失函数，并同时优化面部图像样本的类别标签预测函数、领域标签预测函数和样本相似性预测函数三个目标损失函数来确保网络学习到的面部图像特征具有类间判别性和领域不变性。在本实施例中，跨领域面部特征解析网络模型搭建的过程如下：对于半监督的跨领域面部特征解析问题，源域数据集S＝(Xs,Ys)，其中Ys为Xs对应的类别标签集，目标域数据集T＝(Xlt,Ylt,Xut)，其中(Xlt,Ylt)为少量的本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的跨领域面部特征解析方法，其特征在于，包括：采集样本数据；根据采集的样本数据中的有标签数据及其类别，对无标签数据的样本类别、样本相似度和样本所属领域进行预测；根据预测结果获取模型参数，建立跨领域面部特征解析网络模型；对所述模型进行训练；通过训练后的跨领域面部特征解析网络模型执行跨领域面部特征解析任务。

【技术特征摘要】
1.一种基于卷积神经网络的跨领域面部特征解析方法，其特征在于，包括：采集样本数据；根据采集的样本数据中的有标签数据及其类别，对无标签数据的样本类别、样本相似度和样本所属领域进行预测；根据预测结果获取模型参数，建立跨领域面部特征解析网络模型；对所述模型进行训练；通过训练后的跨领域面部特征解析网络模型执行跨领域面部特征解析任务。2.根据权利要求1所述的基于卷积神经网络的跨领域面部特征解析方法，其特征在于，所述跨领域面部特征解析网络模型的结构为卷积神经网络，包括特征提取器、领域标签预测器、相似性预测器和类别标签预测器，所述卷积神经网络包括多个卷积层，以及至少两个全连接层，通过在最后一个全连接层后插入自适应网络层，形成特征映射层。3.根据权利要求2所述的基于卷积神经网络的跨领域面部特征解析方法，其特征在于，在所述自适应网络层后设置宽度与样本类别数相等的全连接层，并将其作为类别标签预测器，将softmaxloss函数作为样本标签预测的损失函数，通过所述类别标签预测器和样本标签预测的损失函数对无标签数据的样本类别进行预测。4.根据权利要求3所述的基于卷积神经网络的跨领域面部特征解析方法，其特征在于，所述跨领域面部特征解析网络模型包括源域数据通道与目标域数据通道，在每条通道的自适应网络层后分别设置全连接层，并将contrastiveloss函数作为领域间样本对相似性评估的损失函数，根据所述领域间样本对相似性评估的损失函数预测样本的相似度。5.根据权利要求4所述的基于卷积神经网络的跨领域面部特征解析方法，其特征在于，在所述自适应网络层后设置梯度反向层，并在所述梯度反向层后添加多个堆叠的全连接层，并将cross-entropyloss作为领域标签预测的损失函数，根据所述领域标签预测的损失函数预测样本所属领域。6.根据权利要求5所述的基于卷积神经网络的跨领域面部特征解析方法，其特征在于，对所述跨领域面部特征解析网络模型进行模型优化，所述模型优化包括：通过最小化有标签样本的标签预测损失函数，对特征映射层和样本类别标签预测函数进行参数优化。7.根据权利要求6所述的基于卷积神经网络的跨领域面部特征解析方法，其特征在于，所述模型优化还包括：通过最大化领域标签预测器对样本领域标签预测的损失函数，对学习图像特征的领域不可区分性进行优化。8.根据权利要求7所述的基于卷积神经网络的跨领域面部特征解析方法，其特征在于，所述模型优化还包括：通过最小化相似性预测器对于样本对相...

【专利技术属性】
技术研发人员：石宇，张丽君，刘鹏程，周祥东，
申请(专利权)人：中国科学院重庆绿色智能技术研究院，
类型：发明
国别省市：重庆,50