A facial recognition device is disclosed, including a feature extraction unit for extracting features from an input facial image using a plurality of depth feature extraction hierarchies, and a recognition unit for calculating the distance between the facial features extracted by the extractor from different facial images to determine two during facial verification. Whether each facial image comes from the same identity or whether the input image as an input image for testing the facial image belongs to the same identity as a training facial image set consisting of the input image and a training facial image set consisting of the input image is determined at the time of facial recognition; where each depth feature extraction hierarchy structure There are a plurality of cascaded convolution layers, local junction layers, pooling layers and full junction layers, and neurons in the full junction layer are only connected to a part of the neurons in the preceding layer, while neurons in the convolution layer and the local junction layer are only connected to a part of the neurons in the local area in the preceding layer.
【技术实现步骤摘要】
【国外来华专利技术】用于面部识别的方法和系统
本申请涉及一种用于面部识别的方法及其系统。
技术介绍
深度神经网络中的参数个数受到训练数据量的限制,而权值稀疏化算法有助于减少模型参数且改进深度模型的通用化能力。在设计GoogLeNet时已经采取了减少神经元连接的想法,这在面对ImageNet中存在的挑战时获得了巨大成功。GoogLeNet通过使用大小为1×1、3×3和5×5的极小卷积核而减少了神经元连接。根据“神经元捆绕在一起(neuronsthatfiretogetherwiretogether)”的Hebbian规则的建议,强相关神经元之间的连接比弱相关神经元之间的连接重要。此外,前一层中与当前层中的给定神经元较相关(正或负)的神经元对于预测当前层中的给定神经元的活动较有帮助。LeCun等人在其开创性文章“最佳脑损伤(OptimalBrainDamage)”中研究了移除深度神经网络中的不重要的参数。他们采取了二阶导数相关准则(secondderivative-relatedcriterion)来移除参数。在不损失原始模型的预测能力的情况下,他们将模型参数减少了八倍。
技术实现思路
在本申请的一个方面中公开了一种用于面部识别的设备。该设备可包括:提取器,其具有拥有稀疏化神经元连接的多个深度神经网络,以从面部图像的多个面部区提取面部特征用于面部识别;以及识别器,与提取器电通信且基于所提取的面部特征来识别输入面部图像的面部身份。根据“神经元捆绕在一起”的Hebbian规则,与强相关神经元之间的神经元连接相比,裁剪掉更多的、弱相关神经元之间的神经元连接,其中两个连接的神经元之间的相关性 ...
【技术保护点】
1.一种用于面部识别的设备,包括:特征提取单元,用于利用多个深度特征提取层次结构从输入面部图像提取特征;以及识别单元,用于计算所述提取器从不同面部图像提取的面部特征之间的距离,以在面部验证时确定两个面部图像是否来自同一身份,或在面部识别时确定所述输入图像中作为测试面部图像的一个输入图像与由所述输入图像组成的训练面部图像集中的一个训练面部图像是否属于同一身份,其中,每个所述深度特征提取层次结构包括多个级联的卷积层、局部连接层、池化层和全连接层,以及其中,所述全连接层中的神经元仅连接到其前一层中的神经元的一部分,而所述卷积层和所述局部连接层中的神经元仅连接到其前一层中的局部区中的神经元的一部分。
【技术特征摘要】
【国外来华专利技术】1.一种用于面部识别的设备,包括:特征提取单元,用于利用多个深度特征提取层次结构从输入面部图像提取特征;以及识别单元,用于计算所述提取器从不同面部图像提取的面部特征之间的距离,以在面部验证时确定两个面部图像是否来自同一身份,或在面部识别时确定所述输入图像中作为测试面部图像的一个输入图像与由所述输入图像组成的训练面部图像集中的一个训练面部图像是否属于同一身份,其中,每个所述深度特征提取层次结构包括多个级联的卷积层、局部连接层、池化层和全连接层,以及其中,所述全连接层中的神经元仅连接到其前一层中的神经元的一部分,而所述卷积层和所述局部连接层中的神经元仅连接到其前一层中的局部区中的神经元的一部分。2.根据权利要求1所述的设备,进一步包括:训练单元,用于在训练期间在所述特征提取单元上添加监督信号,以学习所述卷积层、所述局部连接层和所述全连接层中的神经元连接,且调整这些层中的神经权值。3.根据权利要求1所述的设备,其中,迭代地学习所述卷积层、所述局部连接层和所述全连接层中的神经元连接以及所述神经元连接上的神经权值。4.根据权利要求3所述的设备,其中,在一次迭代中,通过固定所述卷积层、局部连接层和全连接层中的神经元连接来调整所述神经元连接上的神经权值,接着,在固定所述神经权值的同时裁剪所述卷积层、局部连接层和全连接层中的一个或多个层中的所述神经元连接。5.根据权利要求3所述的设备,其中,根据被连接的神经元的神经激活之间的相关性而裁剪所述神经元连接,其中,裁剪掉弱相关神经元之间的大部分连接,而保留强相关神经元之间的大部分连接。6.根据权利要求3所述的设备,其中,在第一次迭代之前,所述全连接层中的神经元连接到其前一层中的所有神经元,而所述稀疏卷积模块和所述稀疏局部连接模块中的神经元分别连接到其前一层中的局部区中的所有神经元。7.根据权利要求3所述的设备,其中,对于第二次和后继的迭代,从在前一迭代中保留的神经元连接获得神经元连接,且通过在所述前一迭代中学习到的神经权值初始化这些神经元连接上的神经权值。8.根据权利要求7所述的设备,其中,从所述前一迭代中保留的神经元连接的神经权值根据联合识别-验证监督信号而可调整。9.根据权利要求8所述的设备,其中,所述联合识别-验证监督信号包括识别监督信号和验证监督信号,其中,通过将从输入面部区提取的特征分类为训练数据集中的N个身份中的一个身份、且将分类误差作为监督信号而生成识别监督信号,以及通过将分别从两个输入面部图像提取的特征进行比较,以确定其是否来自同一人且将验证误差作为监督信号而生成验证监督信号。10.根据权利要求1所述的设备,其中,由所述特征提取单元中的多个深度特征提取层次结构提取的特征被连结起来用于面部识别。11.根据权利要求10所述的设备,其中,在面部验证时,将从两个输入面部图像提取的、被连结后的特征之间的距离与阈值进行比较,以确定所述两个输入面部图像是否来自同一人,或在面部识别时,计算输入查询面部图像的特征到面部图像数据库中的每个面部图像的特征之间的距离以确定所述输入查询面部图像属于所述面部图像数据库中的哪一身份。12.一种用于面部识别的方法,包括:配置多个深度特征提取层次结构,使得每个所述深度特征提取层次结构包括多个级联卷积层、局部连接层、池化层和全连接层,且所述全连接层中的神经元仅连接到其前一层中的神经元的一部分,而所述卷积层和所述局部...
【专利技术属性】
技术研发人员:孙祎,王晓刚,汤晓鸥,
申请(专利权)人:北京市商汤科技开发有限公司,深圳市商汤科技有限公司,商汤集团有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。