【技术实现步骤摘要】
人脸识别方法及相关装置
本申请涉及机器学习
，具体涉及一种人脸识别方法及相关装置。
技术介绍
在人脸验证任务中，人脸识别技术仍是一项具有挑战性的课题。一些使用面部特征的方法也很多，例如在消除人脸图像的年龄变化中利用一个包含两个潜在因素的概率模型将年龄与人脸特征分离开来，或者通过学习潜在特征和CNN参数来提取年龄不变的深层人脸特征等。卷积神经网络(CNNs)在生物和计算机视觉应用方面取得了重要进展，例如人脸图像检索和属性预测以及机器学习在GAN和半监督学习中的应用。尽管有了这些改进，但是创建一个深层次的体系结构来同时学习几个任务，同时通过共享学习参数来提高它们的准确性仍然是一个不得忽视的问题。基于CNN体系结构提高例如面部特征的特权数据(辅助数据)来识别人脸图像是一项昂贵且繁琐的任务；或者在测试阶段特权数据是不可用的。尽管使用辅助数据存在优势，但这些问题降低了多模态模型在人脸识别中的普及与易用性，即无法精准进行人脸识别。
技术实现思路
本申请实施例提供了一种人脸识别方法及相关装置，可以提升人脸识别精度...
【技术保护点】
1.一种人脸识别方法，其特征在于，应用于电子设备，所述电子设备中预先配置人脸识别模型，所述人脸识别模型包括第一神经网络模型和第二神经网络模型，所述第二神经网络模型包括第一分支网络模型和第二分支网络模型，所述方法包括：/n获取目标图像；/n将所述目标图像输入到所述第一神经网络模型，得到目标特征集，所述第一神经网络模型用于实现特征提取；/n将所述目标特征集输入到所述第一分支网络模型，得到第一识别结果，同时，将所述目标特征集输入到所述第二分支网络模型，得到第二识别结果，所述第一分支网络模型用于实现人脸身份特征识别，所述第二分支网络模型用于实现面部属性识别；/n依据所述第一识别结果...
【技术特征摘要】
1.一种人脸识别方法，其特征在于，应用于电子设备，所述电子设备中预先配置人脸识别模型，所述人脸识别模型包括第一神经网络模型和第二神经网络模型，所述第二神经网络模型包括第一分支网络模型和第二分支网络模型，所述方法包括：
获取目标图像；
将所述目标图像输入到所述第一神经网络模型，得到目标特征集，所述第一神经网络模型用于实现特征提取；
将所述目标特征集输入到所述第一分支网络模型，得到第一识别结果，同时，将所述目标特征集输入到所述第二分支网络模型，得到第二识别结果，所述第一分支网络模型用于实现人脸身份特征识别，所述第二分支网络模型用于实现面部属性识别；
依据所述第一识别结果和所述第二识别结果进行整合，得到目标识别结果。
2.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型基于ResNet50网络实现，所述ResNet50网络的瓶颈块包括第一1x1卷积层、数据拆分层和第二1x1卷积层，所述数据拆分层包括第一数据拆分层、3x3卷积层和第二数据拆分层，所述第一数据拆分层包括第一数据区域和第二数据区域，所述第二数据拆分层包括第三数据区域和第四数据区域，所述第三数据区域的数据和所述第四数据区域的数据级联在一起，所述第一数据拆分层用于将所述第一1x1卷积层的输出数据拆分为第一数据和第二数据，所述第一数据对应第一数据区域，所述第一数据区域与所述第三数据区域存储数据相同，所述第二数据对应第二区域，所述3x3卷积层用于对所述第二数据进行卷积运算，并将其运算结果传输给所述第四数据区域，所述第二1x1卷积层用于对所述第二数据拆分层中的数据进行卷积运算。
3.根据权利要求2所述的方法，其特征在于，所述第一分支网络模型包括面部特征预测模型和第一预设损失函数，所述第一预设损失函数用于优化所述面部特征预测模型的第一模型参数，所述第一预设损失函数基于第一目标函数实现；所述方法还包括：
确定所述第一目标函数相对于所述第一模型参数的第一梯度；
依据所述第一梯度更新所述第一目标函数的调节参数和所述第一模型参数，得到优化后的所述面部特征预测模型和优化后的所述第一目标函数。
4.根据权利要求3所述的方法，其特征在于，所述第二分支网络模型包括多任务人脸识别模型，所述第二分支网络模型对应第二预设损失函数，所述第二预设损失函数包括多个第二子预设损失函数，所述多个任务人脸识别模型与所述多个第二子预设损失函数一一对应，且每一所述任务人脸识别模型用于认识一个维度的面部属性；所述第二预设损失函数基于所述第一目标函数、所述第二目标函数实现以及所述多个第二子预设损失函数实现。
5.根据权利要求4所述的方法，其特征在于，所述多个第二子预设损失函数中每一第二子预设损失函数对应一个权值且其...
【专利技术属性】
技术研发人员：曾儿孟，郭云，康春生，
申请(专利权)人：深圳市华尊科技股份有限公司，
类型：发明
国别省市：广东;44
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。