身份验证方法、对抗生成网络的训练方法、装置及设备制造方法及图纸

本申请公开了一种身份验证方法、对抗生成网络的训练方法、装置及终端，属于人机交互领域。所述方法包括：采集用户的原始特征；调用身份验证模型提取原始特征中的主属性特征向量，主属性特征向量是将原始特征中的m‑1种域差异特征进行选择性解耦的无偏特征表示，m为大于2的整数；根据主属性特征向量进行无偏身份验证得到身份验证结果；根据身份验证结果进行目标操作。本申请能够尽可能地消除了多种域差异特征对身份验证过程的影响，即便原始特征中存在域差异特征，也能够准确地实现身份验证。

Authentication method, training method, device and equipment of antagonistic generation network

【技术实现步骤摘要】
身份验证方法、对抗生成网络的训练方法、装置及设备
本申请涉及人工智能领域，特别涉及一种身份验证方法、对抗生成网络的训练方法、装置及设备。
技术介绍
身份验证技术是指通过计算机系统中的一定手段，对用户身份进行确认的技术。常见的身份验证技术包括：人脸识别、指纹识别、终端姿态识别等等。以人脸识别为例，服务器中设置有神经网络模型。当采集到待验证用户的人脸图像后，调用神经网络模型对人脸图像进行验证；当验证成功时，确定出待验证用户的身份；当验证失败时，反馈错误通知。其中，神经网络模型是预先通过训练集训练得到的。但上述神经网络模型可能会误学习出有偏预测。比如，当用户开始蓄胡子、戴眼镜或因季节改变穿衣时，该神经网络模型的验证就可能失败。
技术实现思路
本申请实施例提供了一种身份验证方法、对抗生成网络的训练方法、装置及设备，可以解决相关技术中的神经网络模型可能会误学习出有偏预测的问题。所述技术方案如下：根据本申请的一个方面，提供了一种身份验证方法，所述方法包括：采集用户的原始特征，所述原始特征中存在m-1种域差异特征，m为大于2的整数；提取所述原始特征中的主属性特征向量；所述主属性特征向量是将所述原始特征中的m-1种域差异特征进行选择性解耦的无偏特征表示，m为大于2的整数；根据所述主属性特征向量进行无偏身份验证处理得到身份验证结果；根据所述身份验证结果进行目标操作。在一个可能的设计中，调用身份验证模型对所述原始特征进行特征提取，得到所述原始特征中的主属性特征向量；其中，所述身份验证模型包括：第一对抗生成网络；或，所述第一对抗生成网络和第二对抗生成网络；其中，所述第一对抗生成网络是基于因果关系对所述m-1种域差异特征进行选择性解耦所训练得到的网络，所述第二对抗生成网络是对所述第一对抗生成网络提取到的不同属性的属性特征向量进行随机组合后进行加性对抗训练得到的网络，所述属性包括身份和所述m-1种域差异。根据本申请的一个方面，提供了一种第一对抗生成网络的训练方法，所述第一对抗生成网络包括m个生成器G1至Gm，每个所述生成器Gj对应m个判别器Gj1至Gjm，第j个生成器Gj用于学习第j个属性的特征，所述属性包括身份和m-1种域差异，i，j，j’∈[m]，所述方法包括：固定所有生成器Gi，优化所有判别器Dij来使得输出逼近与所述第j个属性对应的标签yi；固定所有判别器Dij，优化所有生成器Gi来使得输出逼近与所述第j个属性对应的(1-yi)；其中，若第a个属性和第b个属性存在因果关系，则所述判别器Dab的输出损失不进行反向传播。根据本申请的一个方面，提供了一种第二对抗生成网络的训练方法，所述第二对抗生成网络包括与m个属性一一对应的m个加性空间转换网络以及m个识别网络，所述属性包括身份和m-1种域差异，j∈[m]，m为大于2的整数，所述方法包括：将从训练集提取到的不同属性对应的属性特征向量进行随机组合，产生nr个组合属性特征向量；将所述nr个组合属性特征向量划分为第一向量集合和第二向量集合，第一向量集合中的组合属性特征向量的属性组合是所述训练集中出现的属性组合，第二向量集合中的组合属性特征向量的属性组合是所述训练集中未出现的属性组合；使用所述第一向量集合和所述第二向量集合对所述加性空间转换网络以及所述识别网络进行预测，第j个加性空间转换网络用于将第j个组合属性特征向量转换为第j个加性特征向量，第j个识别网络用于对m个加性特征向量的和特征向量进行与第j个属性对应的标签识别；对于所述第一向量集合在预测过程中产生的第一损失，将所述第一损失反向传播至每个属性对应的所述识别网络和所述加性空间转换网络；对于所述第二向量集合在预测过程中产生的第二损失，将所述第二损失反向传播至其它属性对应的所述识别网络和所述加性空间转换网络。根据本申请的另一方面，提供了一种身份验证装置，所述装置包括：采集模块，被配置为采集用户的原始特征，m为大于2的整数；身份验证模块，被配置为提取所述原始特征中的主属性特征向量；所述主属性特征向量是将所述原始特征中的m-1种域差异特征进行选择性解耦的无偏特征表示，m为大于2的整数；所述身份验证模块，还被配置为根据所述主属性特征向量进行无偏身份验证处理得到身份验证结果；操作模块，被配置为根据所述身份验证结果进行目标操作。根据本申请的另一方面，提供了一种计算机设备，所述计算机设备包括：处理器和存储器，所述存储器存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上所述的身份验证方法、第一对抗生成网络的训练方法、第二对抗生成网络的训练方法中的任一方法。根据本申请的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上所述的身份验证方法、第一对抗生成网络的训练方法、第二对抗生成网络的训练方法中的任一方法。本申请实施例提供的技术方案带来的有益效果至少包括：通过身份验证模型提取原始特征中的主属性特征向量，根据主属性特征向量进行身份验证得到身份验证结果，由于该主属性特征向量是将原始特征中的多种域差异特征进行选择性解耦的无偏特征表示，因此尽可能地消除了多种域差异特征对身份验证过程的影响，即便原始特征中存在多种域差异(比如留了胡子、换了发型)，也能够准确地实现身份验证。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是相关技术中提供的身份验证方法的流程图；图2是本申请一个示意性实施例提供的身份验证系统的框图；图3是本申请一个示意性实施例提供的身份验证方法的流程图；图4是本申请一个示意性实施例提供的第一对抗生成网络和第二对抗生成网络在工作时的两阶段示意图；图5是本申请一个示意性实施例提供的第一对抗生成网络和第二对抗生成网络的网络结构图；图6是本申请一个示意性实施例提供的第一对抗生成网络的训练方法的流程图；图7是本申请一个示意性实施例提供的身份验证软件的界面示意图；图8是本申请一个示意性实施例提供的基于因果关系进行解耦学习的网络架构示意图；图9是本申请一个示意性实施例提供的第二对抗生成网络的训练方法的流程图；图10是本申请一个示意性实施例提供的第二对抗生成网络的训练原理示意图；图11是本申请一个示意性实施例提供的身份验证方法的流程图；图12是本申请一个示意性实施例提供的身份验证方法的流程图；图13是本申请一个示意性实施例提供的身份验证方法的流程图；图14是本申请一个示意性实施例提供的身份验证装置的框图；图15是本申请一个示意性实施例提供的第一对抗生成网络的训练装置的框图；图16是本申请一个示意性实施例提供的第二对抗生成网络的训练装置的框图；图17是本申请一个示意性实施例提供的计算机设备的框图。具体实施方式为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。首先对本申请实施例提供的若干个本文档来自技高网...

【技术保护点】
1.一种身份验证方法，其特征在于，所述方法包括：采集用户的原始特征，所述原始特征中存在m‑1种域差异特征，m为大于2的整数；提取所述原始特征中的主属性特征向量，所述主属性特征向量是将所述原始特征中的所述m‑1种域差异特征进行选择性解耦的无偏特征表示；根据所述主属性特征向量进行无偏身份验证处理得到身份验证结果；根据所述身份验证结果进行目标操作。

【技术特征摘要】
1.一种身份验证方法，其特征在于，所述方法包括：采集用户的原始特征，所述原始特征中存在m-1种域差异特征，m为大于2的整数；提取所述原始特征中的主属性特征向量，所述主属性特征向量是将所述原始特征中的所述m-1种域差异特征进行选择性解耦的无偏特征表示；根据所述主属性特征向量进行无偏身份验证处理得到身份验证结果；根据所述身份验证结果进行目标操作。2.根据权利要求1所述的方法，其特征在于，所述提取所述原始特征中的主属性特征向量，包括：调用身份验证模型对所述原始特征进行特征提取，得到所述原始特征中的主属性特征向量；其中，所述身份验证模型包括：第一对抗生成网络；或，所述第一对抗生成网络和第二对抗生成网络；其中，所述第一对抗生成网络是基于因果关系对所述m-1种域差异特征进行选择性解耦所训练得到的网络，所述第二对抗生成网络是对所述第一对抗生成网络提取到的不同属性的属性特征向量进行随机组合后进行加性对抗训练得到的网络，所述属性包括身份和m-1种域差异。3.根据权利要求2所述的方法，其特征在于，所述第一对抗生成网络包括：基础生成器、主生成器和主判别器；所述调用身份验证模型对所述原始特征进行特征提取，包括：调用所述基础生成器将所述原始特征变换为全局属性特征向量；调用所述主生成器对所述全局属性特征向量进行特征提取得到第一主属性特征向量；所述根据所述主属性特征向量进行无偏身份验证处理得到身份验证结果，包括：调用所述主判别器对所述第一主属性特征向量进行身份验证得到身份验证结果，或者，调用所述主判别器对所述第一主属性特征向量进行第一判别后输出组合属性特征向量给所述第二对抗生成网络。4.根据权利要求2或3所述的方法，其特征在于，所述第一对抗生成网络是通过如下方式训练得到的：当所述原始特征中存在具有因果关系的第一域差异特征和第二域差异特征时，对所述第二域差异特征进行对抗学习的过程中忽略与所述第一域差异特征之间的解耦学习。5.根据权利要求4所述的方法，其特征在于，所述第一对抗生成网络包括：m个生成器G1至Gm，每个所述生成器Gj对应m个判别器Gj1至Gjm，第j个生成器Gj用于学习第j个属性的特征，与所述身份对应的生成器G1是所述主生成器，与所述生成器G1对应的判别器D11是所述主判别器，i，j，j'∈[m]；所述第一对抗生成网络是采用如下方式训练得到的：固定所有生成器Gi，优化所有判别器Dij来使得输出逼近与所述第i个属性对应的标签yi；固定所有判别器Dij，优化所有生成器Gi来使得输出逼近与所述第i个属性对应的(1-yi)；其中，若第j’个属性和第j个属性存在因果关系，则所述判别器Djj’的输出损失不进行反向传播，i，j，j'∈[m]。6.根据权利要求2所述的方法，其特征在于，所述第二对抗生成网络包括：主加性空间转换网络和主识别网络；所述根据所述主属性特征向量进行无偏身份验证处理得到身份验证结果，包括：调用所述主加性空间转换网络对所述第一对抗生成网络输出的组合属性特征向量进行转换，得到加性特征向量；调用所述主识别网络对所述加性特征向量进行身份识别，得到身份验证结果。7.根据权利要求2或6所述的方法，其特征在于，所述第二对抗生成网络是通过如下方式训练得到的：对所述第一对抗生成网络从训练集中提取到的不同属性特征向量进行随机组合；对随机组合得到的组合属性特征向量进行加性对抗训练；其中，存在至少一个所述组合属性特征向量对应的属性组合是所述训练集中未出现的属性组合。8.根据权利要求7所述的方法，其特征在于，所述第二对抗生成网络包括：与所述m个属性一一对应的m个加性空间转换网络以及m个识别网络，j∈[m]；所述第二对抗生成网络是采用如下步骤训练得到的：将所述第一对抗生成网络生成的不同属性对应的属性特征向量进行随机组合，产生nr个组合属性特征向量；将所述nr个组合属性特征向量划分为第一向量集合和第二向量集合，第一向量集合中的组合属性特征向量的属性组合是所述训练集中出现的属性组合，第二向量集合中的组合属性特征向量的属性组合是所述训练集中未出现的属性组合；使用所述第一向量集合和所述第二向量集合对所述加性空间转换网络以及所述识别网络进行预测，第j个加性空间转换网络用于将第j个组合属性特征向量转换为第j个加性特征向量，第j个识别网络用于对m个加性特征向量的和特征向量进行与第j个属性对应的标签识别；对于所述第一向量集合在预测过程中产生的第一损失，将所述第一损失反向传播至每个属性对应的所述识别网络和所述加性空间转换网络；对于所述第二向量集合在预测过程中产生的第二损失，将所述第二损失反向传播至其它属性对应的所述识别网络和所述加性空间转换网络。9.一种第一对抗生成网络的训练方法，其特征在于，所述第一对抗生成网络包括m个生成器G1至Gm，每个所述生成器Gj对应m个判别器Gj1至Gjm，第j个生成器Gj用于学习第j个属性的特征，所述属性包括身份和m-1个域，所述方法包括：固定所有生成器Gi，优化所有判别器Dij来使得输出逼近与所述第i个属性对应的标签yi；固定所有判别器Dij，优化所有生成器Gi来...

【专利技术属性】
技术研发人员：梁健，曹誉仁，张晨斌，白琨，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44