人脸模型的训练方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种人脸模型的训练方法、装置、计算机设备和存储介质。该方法包括：获取多个人脸特征；以多个人脸特征为输入，根据预设的第一学习率训练所述人脸模型中已有的人脸属性模型，根据预设的第二学习率训练人脸模型中新增的人脸属性模型，直至人脸模型的损失值达到目标预设阈值为止，得到训练后的人脸模型；其中，第一学习率小于第二学习率。上述这种采用不同的学习率针对性的训练不同类型人脸属性模型的训练方法极大的提高了人脸属性模型的训练速度，进而减少了人脸属性模型的训练时间。

Training Method, Device, Computer Equipment and Storage Medium of Face Model

【技术实现步骤摘要】
人脸模型的训练方法、装置、计算机设备和存储介质
本申请涉及人脸识别
，尤其涉及一种人脸模型的训练方法、装置、计算机设备和存储介质。
技术介绍
随着人脸识别技术的突飞猛进，人脸识别功能已经成为多项产品的主要应用支撑或重要配置。特别是对人脸属性的识别技术成为了当下的研究特点，也相应的应用在了多种
，例如，视频检索，安防监控，身份验证等。经过训练后的多种人脸属性模型的准确性，以及训练的时效性直接影响应用该模型的识别准确度和识别效率。目前，传统的针对多种人脸属性模型的训练方法主要包括：构建人脸特征识别模型，再进一步的根据应用需求构建多个人脸属性识别模型，进而对该多个人脸属性识别模型的参数进行调节，实现对这多个人脸属性识别模型的训练，从而获取到能够识别多种人脸属性的识别模型。但是，上述对多种人脸属性识别模型的训练方法存在训练速度低下，致使训练时间过长的问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够有效提高训练速度，以及缩短训练时间的人脸模型的训练方法、装置、计算机设备和存储介质。第一方面，一种人脸模型的训练方法，该人脸模型包括多个人脸属性模型，上述方法包括：获取多个人脸特征；以多个人脸特征为输入，根据预设的第一学习率训练人脸模型中已有的人脸属性模型，根据预设的第二学习率训练人脸模型中新增的人脸属性模型，直至人脸模型的损失值达到目标预设阈值为止，得到训练后的人脸模型；其中，所述第一学习率小于第二学习率。在其中一个实施例中，人脸模型的损失值包括：已有的人脸属性模型的损失值与新增的人脸属性模型的损失值的累加和。在其中一个实施例中，根据预设的第一学习率训练人脸模型中已有的人脸属性模型，包括：根据第一学习率和已有的人脸属性模型的损失值调节已有的人脸属性模型的参数。在其中一个实施例中，根据预设的第二学习率训练所述人脸模型中新增的人脸属性模型，包括：根据第二学习率和新增的人脸属性模型的损失值调节新增的人脸属性模型的参数。在其中一个实施例中，上述人脸模型还包括人脸特征模型，获取多个人脸特征，包括：获取多个样本人脸图像；将多个样本人脸图像输入到人脸特征模型中，得到多个人脸特征。在其中一个实施例中，人脸特征模型包括：人脸特征提取模型和共有特征提取模型；所述人脸特征提取模型用于对所述样本人脸图像进行第一特征提取，得到特征信息；所述共有特征提取模型用于对所述特征信息进行提取，得到人脸特征。在其中一个实施例中，上述方法还包括：根据预设的第三学习率训练共有特征提取模型，直至人脸模型的损失值达到所述目标预设阈值为止；第三学习率小于或者等于第一学习率。在其中一个实施例中，根据预设的第三学习率训练共有特征提取模型，包括：根据第三学习率、已有的人脸属性模型的损失值、新增的人脸属性模型的损失值调节共有特征提取模型的参数。第二方面，一种人脸属性识别方法，该方法包括：获取待识别的人脸图像；将待识别的人脸图像输入至人脸模型中进行多种类型的人脸属性识别，得到多个人脸属性；所述人脸模型为采用第一方面中任一项所述的方法训练得到的人脸模型。第三方面，一种人脸模型的训练装置，人脸模型包括多个人脸属性模型，上述人脸模型的训练装置包括：获取特征模块，用于获取多个人脸特征；第一训练模块，用于以多个人脸特征为输入，根据预设的第一学习率训练人脸模型中已有的人脸属性模型，根据预设的第二学习率训练人脸模型中新增的人脸属性模型，直至人脸模型的损失值达到目标预设阈值为止，得到训练后的人脸模型；其中，所述第一学习率小于第二学习率。第四方面，一种人脸属性识别装置，该装置包括：获取图像模块，用于获取待识别的人脸图像；识别模块，用于将待识别的人脸图像输入至人脸模型中进行多种类型的人脸属性识别，得到多个人脸属性；所述人脸模型为采用如第三方面所述的训练装置训练得到的人脸模型。第五方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面任一实施例所述的人脸模型的训练方法或第二方面实施例所述的人脸属性的识别方法。第六方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一实施例所述的人脸模型的训练方法或第二方面实施例所述的人脸属性的识别方法。本申请提供的一种人脸模型的训练方法、装置、计算机设备和存储介质，通过获取多个人脸特征，再以多个人脸特征为输入，根据预设的第一学习率训练人脸模型中已有的人脸属性模型，以及根据预设的第二学习率训练人脸模型中新增的人脸属性模型，直至人脸模型的损失值达到目标预设阈值为止，从而得到训练后的人脸模型。上述的第一学习率小于第二学习率，使已有的人脸属性模型以相对较小的学习率进行训练，而已有的人脸属性模型是已经训练过的模型，所以比较小的学习率可以使已有的人脸属性模型的损失值很快的收敛，相应的，使新增的人脸属性模型以相对较大的学习率进行训练，而新增的人脸属性模型是待训练的模型，所以比较大的学习率可以使新增的人脸属性模型的损失值很快的收敛，上述这种采用不同的学习率针对性的训练不同类型人脸属性模型的训练方法极大的提高了人脸属性模型的训练速度，进而减少了人脸属性模型的训练时间。附图说明图1为一个实施例提供的一种计算机设备的内部结构示意图；图2为一个实施例提供的一种人脸模型的训练方法的流程图；图3提供了图2实施例S101的一种实现方式的流程图；图4为一个实施提供的一种人脸模型的网络结构示意图；图4A为一个实施提供的一种人脸模型的网络结构示意图；图5为一个实施例提供的一种人脸属性的识别方法的流程图；图6为一个实施例提供的一种人脸模型的训练装置的结构示意图；图7为一个实施例提供的一种人脸模型的训练装置的结构示意图；图8为一个实施例提供的一种人脸模型的训练装置的结构示意图；图9为一个实施例提供的一种人脸属性的识别装置的结构示意图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。本申请提供的人脸模型的训练方法，可以应用于如图1所示的计算机设备中。该计算机设备可以是终端，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人脸模型的训练方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。下面将通过实施例并结合附本文档来自技高网...

【技术保护点】
1.一种人脸模型的训练方法，其特征在于，所述人脸模型包括多个人脸属性模型，所述方法包括：获取多个人脸特征；以所述多个人脸特征为输入，根据预设的第一学习率训练所述人脸模型中已有的人脸属性模型，根据预设的第二学习率训练所述人脸模型中新增的人脸属性模型，直至所述人脸模型的损失值达到目标预设阈值为止，得到训练后的人脸模型；其中，所述第一学习率小于第二学习率。

【技术特征摘要】
1.一种人脸模型的训练方法，其特征在于，所述人脸模型包括多个人脸属性模型，所述方法包括：获取多个人脸特征；以所述多个人脸特征为输入，根据预设的第一学习率训练所述人脸模型中已有的人脸属性模型，根据预设的第二学习率训练所述人脸模型中新增的人脸属性模型，直至所述人脸模型的损失值达到目标预设阈值为止，得到训练后的人脸模型；其中，所述第一学习率小于第二学习率。2.根据权利要求1所述的方法，其特征在于，所述人脸模型的损失值包括：所述已有的人脸属性模型的损失值与所述新增的人脸属性模型的损失值的累加和。3.根据权利要求2所述的方法，其特征在于，所述根据预设的第一学习率训练所述人脸模型中已有的人脸属性模型，包括：根据所述第一学习率和所述已有的人脸属性模型的损失值调节所述已有的人脸属性模型的参数。4.根据权利要求2或3所述的方法，其特征在于，所述根据预设的第二学习率训练所述人脸模型中新增的人脸属性模型，包括：根据所述第二学习率和所述新增的人脸属性模型的损失值调节所述新增的人脸属性模型的参数。5.根据权利要求1所述的方法，其特征在于，所述人脸模型还包括人脸特征模型，所述获取多个人脸特征包括：获取多个样本人脸图像；将所述多个样本人脸图像输入到所述人脸特征模型中，得到所述多个人脸特征。6.根据权利要求5所述的方法，其特征在于，所述人脸特征模型包括：人脸特征提取模型和共有特征提取模型；所述人脸特征提取模型用于对所述样本人脸图像进行第一特征提取，得到特征信息；所述共有特征提取模型用于对所述特征信息进行第二特征提取，得到人脸特征。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：根据预设的第三学习率训练所述共有特征提取模型，直至所述人脸模型的损失值达到所述目标预设阈值为止；所述第三学...

【专利技术属性】
技术研发人员：展扬，
申请(专利权)人：北京迈格威科技有限公司，
类型：发明
国别省市：北京,11