人脸年龄预测方法及模型的训练方法、装置及电子设备制造方法及图纸

本发明专利技术实施例提供一种人脸年龄预测模型的训练方法、装置及电子设备。该方法包括：获取训练样本集和预设的初始模型；利用训练样本集训练共享网络和性别分类网络，直至共享网络的第一参数和性别分类网络的第二参数收敛；利用男性集训练收敛的共享网络和男性人脸年龄预测网络，直至男性人脸年龄预测网络的第三参数收敛；利用女性集训练收敛的共享网络和女性人脸年龄预测网络，直至女性人脸年龄预测网络的第四参数收敛；根据收敛的共享网络，收敛的性别分类网络，收敛的男性人脸年龄预测网络和收敛的女性人脸年龄预测网络，以及结果融合网络，得到人脸年龄预测模型。根据本发明专利技术实施例，可以消除性别因素对人脸年龄预测任务带来的干扰。

Training method, device and electronic equipment of face age prediction method and model

【技术实现步骤摘要】
人脸年龄预测方法及模型的训练方法、装置及电子设备
本专利技术涉及计算机识别
，更具体地，涉及一种人脸年龄预测模型的训练方法、一种人脸年龄预测方法、一种人脸年龄预测模型的训练装置、一种人脸年龄预测装置以及一种电子设备。
技术介绍
年龄作为一种重要的人脸属性，在人机交互、智能商务、安全监控以及娱乐等领域都有着广阔的应用前景。自动人脸年龄预测技术是一项重要的生物特征识别技术，其采用计算机视觉等技术，可以根据输入的脸部图像自动预测出人脸的真实年龄。现有的基于深度学习的人脸年龄预测算法通常直接训练一个卷积神经网络，建立输入的脸部图像和年龄之间的映射，从而实现较高精度的人脸年龄预测。但由于不同性别的脸部图像在相同年龄的样本具有不同的年龄模式，从而导致训练得到的人脸年龄预测模型的泛化能力比较差。因此，有必要提供一种新的人脸年龄预测方法来消除性别因素对人脸年龄预测的干扰。
技术实现思路
本专利技术实施例的一个目的是提供一种用于人脸年龄预测模型的训练的新的技术方案。根据本专利技术的第一方面，提供了一种人脸年龄预测模型的训练方法，所述方法包括：获取训练样本集和预设的初始模型；其中，所述训练样本集包括男性集和女性集，所述男性集包括多个男性脸部图像和与每个男性脸部图像对应的标签，所述女性集包括多个女性脸部图像和与每个女性脸部图像对应的标签，所述标签包括年龄值和性别值；所述初始模型包括共享网络、性别分类网络、男性人脸年龄预测网络、女性人脸年龄预测网络和结果融合网络；利用所述训练样本集训练共享网络和性别分类网络，直至所述共享网络的第一参数和所述性别分类网络的第二参数收敛；利用所述男性集训练收敛的共享网络和男性人脸年龄预测网络，直至所述男性人脸年龄预测网络的第三参数收敛；利用所述女性集训练收敛的共享网络和女性人脸年龄预测网络，直至所述女性人脸年龄预测网络的第四参数收敛；根据收敛的共享网络，收敛的性别分类网络，收敛的男性人脸年龄预测网络和收敛的女性人脸年龄预测网络，以及结果融合网络，得到人脸年龄预测模型。可选地，所述方法还包括：利用所述训练样本集训练所述人脸年龄预测模型，对所述第一参数、第二参数、第三参数以及第四参数进行更新直至收敛，得到收敛的人脸年龄预测模型。可选地，所述利用所述训练样本集训练共享网络和性别分类网络，直至所述共享网络的第一参数和所述性别分类网络的第二参数收敛，包括：基于所述共享网络及所述性别分类网络对所述训练样本集中的样本进行计算，得到每个样本对应的概率分布向量；将所述概率分布向量代入预设的损失函数进行计算，得到所述训练样本集中每个样本的分类损失；基于所述分类损失对所述共享网络的第一参数和所述性别分类网络的第二参数进行更新，得到收敛的共享网络和收敛的性别分类网络。可选地，所述基于所述共享网络及所述性别分类网络对所述训练样本集中的样本进行预测，得到所述训练样本集中每个样本对应的预测结果，包括：从所述训练样本集中选取一个样本输入所述共享网络及所述性别分类网络，得到第一输出结果；将所述第一输出结果输入归一化函数，得到所述概率分布向量。可选地，所述基于所述分类损失对所述共享网络的第一参数和所述性别分类网络的第二参数进行更新，得到收敛的共享网络和收敛的性别分类网络，包括：基于所述分类损失和预设的反向传播算法计算所述共享网络中第一参数的第一导数，以及所述性别分类网络中第二参数的第二导数；基于所述第一导数和梯度下降算法对所述共享网络中的所述第一参数进行更新，并基于所述第二导数和梯度下降算法对所述性别分类网络中的所述第二参数进行更新；基于所述训练样本集中多个样本的分类损失对所述共享网络中的第一参数以及所述性别分类网络中的第二参数进行多次更新，直到收敛，得到收敛的共享网络和收敛的性别分类网络。可选地，所述利用男性集训练收敛的共享网络和男性人脸年龄预测网络，直至所述男性人脸年龄预测网络的第三参数收敛，包括：基于所述收敛的共享网络和所述男性人脸年龄预测网络对所述男性集中的每个样本进行预测，得到第一预测结果；将所述第一预测结果代入预设的人脸年龄预测损失函数进行计算，得到每个样本的第一损失；基于所述第一损失对所述男性人脸年龄预测网络的第三参数进行更新，直至所述第三参数收敛。可选地，所述利用女性集训练收敛的共享网络和女性人脸年龄预测网络，直至所述女性人脸年龄预测网络的第四参数收敛，包括：基于所述收敛的共享网络和所述女性人脸年龄预测网络对所述女性集中的每个样本进行预测，得到第二预测结果；将所述第二预测结果代入预设的人脸年龄预测损失函数进行计算，得到每个样本的第二损失；基于所述第二损失对所述女性人脸年龄预测网络的第四参数进行更新，直至所述第四参数收敛。可选地，所述基于所述第一损失对所述男性人脸年龄预测网络的第三参数进行更新，直至所述第三参数收敛，包括：基于所述第一损失和预设的反向传播算法计算所述第三参数的第三导数；基于所述第三导数和梯度下降算法对所述男性人脸年龄预测网络中的第三参数进行更新；基于所述男性集中多个样本的第一损失对所述男性人脸年龄预测网络中的第三参数进行多次更新，直到收敛，得到收敛的男性人脸年龄预测网络。可选地，所述基于所述第二损失对所述女性人脸年龄预测网络的第四参数进行更新，直至所述第四参数收敛。基于所述第二损失和预设的反向传播算法计算所述第四参数的第四导数；基于所述第四导数和梯度下降算法对所述女性人脸年龄预测网络中的第四参数进行更新；基于所述女性集中多个样本的第二损失对所述女性人脸年龄预测网络中的第四参数进行多次更新，直到收敛，得到收敛的女性人脸年龄预测网络。可选地，所述利用所述训练样本集训练所述人脸年龄预测模型，对所述第一参数、第二参数、第三参数以及第四参数进行更新直至收敛，得到收敛的人脸年龄预测模型，包括：基于所述人脸年龄预测模型对所述训练样本集中的样本进行预测，得到每个所述样本对应的概率分布向量、第一预测结果和第二预测结果；将所述概率分布向量、所述第一预测结果和所述第二预测结果输入所述结果融合网络，得到第三预测结果；将所述第三预测结果代入预设的人脸年龄预测损失函数进行计算，到每个样本的第三损失；基于所述训练样本集中多个样本的第三损失对所述人脸年龄预测模型的第一参数、第二参数、第三参数和第四参数进行多次更新，直到收敛，得到收敛的人脸年龄预测模型。根据本专利技术实施例的第二方面，还提供一种人脸年龄预测方法，所述方法包括：获取待预测图像；将所述待预测图像输入人脸年龄预测模型中，输出预测结果；其中，所述人脸年龄预测模型包括共享网络、性别分类网络、男性人脸年龄预测网络、女性人脸年龄预测网络和结果融合网络；所述共享网络，用于对待预测图像进行特征提取，输出图像特征；所述性别分类网络，用于根据所述图像特征对待本文档来自技高网...

【技术保护点】
1.一种人脸年龄预测模型的训练方法，其特征在于，所述方法包括：/n获取训练样本集和预设的初始模型；其中，所述训练样本集包括男性集和女性集，所述男性集包括多个男性脸部图像和与每个男性脸部图像对应的标签，所述女性集包括多个女性脸部图像和与每个女性脸部图像对应的标签，所述标签包括年龄值和性别值；所述初始模型包括共享网络、性别分类网络、男性人脸年龄预测网络、女性人脸年龄预测网络和结果融合网络；/n利用所述训练样本集训练共享网络和性别分类网络，直至所述共享网络的第一参数和所述性别分类网络的第二参数收敛；/n利用所述男性集训练收敛的共享网络和男性人脸年龄预测网络，直至所述男性人脸年龄预测网络的第三参数收敛；/n利用所述女性集训练收敛的共享网络和女性人脸年龄预测网络，直至所述女性人脸年龄预测网络的第四参数收敛；/n根据收敛的共享网络，收敛的性别分类网络，收敛的男性人脸年龄预测网络和收敛的女性人脸年龄预测网络，以及结果融合网络，得到人脸年龄预测模型。/n

【技术特征摘要】
1.一种人脸年龄预测模型的训练方法，其特征在于，所述方法包括：
获取训练样本集和预设的初始模型；其中，所述训练样本集包括男性集和女性集，所述男性集包括多个男性脸部图像和与每个男性脸部图像对应的标签，所述女性集包括多个女性脸部图像和与每个女性脸部图像对应的标签，所述标签包括年龄值和性别值；所述初始模型包括共享网络、性别分类网络、男性人脸年龄预测网络、女性人脸年龄预测网络和结果融合网络；
利用所述训练样本集训练共享网络和性别分类网络，直至所述共享网络的第一参数和所述性别分类网络的第二参数收敛；
利用所述男性集训练收敛的共享网络和男性人脸年龄预测网络，直至所述男性人脸年龄预测网络的第三参数收敛；
利用所述女性集训练收敛的共享网络和女性人脸年龄预测网络，直至所述女性人脸年龄预测网络的第四参数收敛；
根据收敛的共享网络，收敛的性别分类网络，收敛的男性人脸年龄预测网络和收敛的女性人脸年龄预测网络，以及结果融合网络，得到人脸年龄预测模型。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
利用所述训练样本集训练所述人脸年龄预测模型，对所述第一参数、第二参数、第三参数以及第四参数进行更新直至收敛，得到收敛的人脸年龄预测模型。


3.根据权利要求2所述的方法，其特征在于，所述利用所述训练样本集训练共享网络和性别分类网络，直至所述共享网络的第一参数和所述性别分类网络的第二参数收敛，包括：
基于所述共享网络及所述性别分类网络对所述训练样本集中的样本进行计算，得到每个样本对应的概率分布向量；
将所述概率分布向量代入预设的损失函数进行计算，得到所述训练样本集中每个样本的分类损失；
基于所述分类损失对所述共享网络的第一参数和所述性别分类网络的第二参数进行更新，得到收敛的共享网络和收敛的性别分类网络。


4.根据权利要求3所述的方法，其特征在于，所述基于所述共享网络及所述性别分类网络对所述训练样本集中的样本进行计算，得到每个样本对应的概率分布向量，包括：
从所述训练样本集中选取一个样本输入所述共享网络及所述性别分类网络，得到第一输出结果；
将所述第一输出结果输入归一化函数，得到所述概率分布向量。


5.根据权利要求3所述的方法，其特征在于，所述基于所述分类损失对所述共享网络的第一参数和所述性别分类网络的第二参数进行更新，得到收敛的共享网络和收敛的性别分类网络，包括：
基于所述分类损失和预设的反向传播算法计算所述共享网络中第一参数的第一导数，以及所述性别分类网络中第二参数的第二导数；
基于所述第一导数和梯度下降算法对所述共享网络中的所述第一参数进行更新，并基于所述第二导数和梯度下降算法对所述性别分类网络中的所述第二参数进行更新；
基于所述训练样本集中多个样本的分类损失对所述共享网络中的第一参数以及所述性别分类网络中的第二参数进行多次更新，直到收敛，得到收敛的共享网络和收敛的性别分类网络。


6.根据权利要求2所述的方法，其特征在于，所述利用男性集训练收敛的共享网络和男性人脸年龄预测网络，直至所述男性人脸年龄预测网络的第三参数收敛，包括：
基于所述收敛的共享网络和所述男性人脸年龄预测网络对所述男性集中的每个样本进行预测，得到第一预测结果；
将所述第一预测结果代入预设的人脸年龄预测损失函数进行计算，得到每个样本的第一损失；
基于所述第一损失对所述男性人脸年龄预测网络的第三参数进行更新，直至所述第三参数收敛。


7.根据权利要求2所述的方法，其特征在于，所述利用女性集训练收敛的共享网络和女性人脸年龄预测网络，直至所述女性人脸年龄预测网络的第四参数收敛，包括：
基于所述收敛的共享网络和所述女性人脸年龄预测网络对所述女性集中的每个样本进行预测，得到第二预测结果；
将所述第二预测结果代入预设的人脸年龄预测损失函数进行计算，得到每个样本的第二损失；
基于所述第二损失对所述女性人脸年龄预测网络的第四参数进行更新，直至所述第四参数收敛。


8.根据权利要求6所述的方法，其特征在于，所述基于所述第一损失对所述男性人脸年龄预测网络的第三参数进行更新，直至所述第三参数收敛，包括：
基于所述第一损失和预设的反向传播算法计算所述第三参数的第三导数；
基于所述第三导数和梯度下降算法对所述男性人脸年龄预测网络中的第三参数进行更新；
基于所述男性集中多个样本的第一损失对所述男性人脸年龄预测网络中的第三参数进行多次更新，直到收敛，得到收敛的男性人脸年龄预测网络。


9.根据权利要求7所述的方法，其特征在于，所述基于所述第二损失对所述女性人脸年龄预测网络的第四参数进行更新，直至所述第四参数收敛。
基于所述第二损失和预设的...

【专利技术属性】
技术研发人员：苏驰，李凯，刘弘也，
申请(专利权)人：北京金山云网络技术有限公司，北京金山云科技有限公司，
类型：发明
国别省市：北京;11