【技术实现步骤摘要】
人脸识别模型构建方法、人脸识别方法及相关装置
本申请涉及人脸识别
,具体涉及一种人脸识别模型构建方法、人脸识别方法及相关装置。
技术介绍
如今,随着人工智能技术的飞速发展,人脸识别已经成为一种重要的人机交互方式,被广泛地应用于安防监控、智能支付、社交媒体、医疗等领域。然而,为了获得较高的人脸识别精度,通常采用结构复杂且参数量较多的神经网络,最终导致训练完成的人脸识别模型在计算资源有限的移动端或嵌入式设备上难以使用。因此,如何训练出速度快、精度高的人脸识别模型是人脸识别领域亟待解决的一个问题。
技术实现思路
本申请实施例提供了一种人脸识别模型构建方法、人脸识别方法及相关装置,以期提高人脸学生识别模型的效率和准确度。第一方面,本申请实施例提供一种人脸识别模型构建方法,包括:根据预先训练好的N个人脸识别教师模型中每个人脸识别教师模型和当前训练周期所需要处理的样本数子集更新原始类中心矩阵,得到更新后的N个原始类中心矩阵,N为大于1的整数;获取当前训练周期所述N个人脸识别教师模型针对当前训练的人脸识别学生模型的N个特征空间转换矩阵;根据所述N个特征空间转换矩阵和所述N个原始类中心矩阵,确定融合类中心矩阵;根据所述融合类中心矩阵和预设的监督损失函数对当前训练的人脸识别学生模型进行训练,得到当前训练周期训练后的人脸识别学生模型,所述监督损失函数至少包括根据所述融合类中心矩阵设计的蒸馏监督损失函数;若当前训练周期训练后的人脸识别学生模型满足预设条件,则确定所述 ...
【技术保护点】
1.一种人脸识别模型构建方法,其特征在于,包括:/n根据预先训练好的N个人脸识别教师模型中每个人脸识别教师模型和当前训练周期所需要处理的样本数子集更新原始类中心矩阵,得到更新后的N个原始类中心矩阵,N为大于1的整数;/n获取当前训练周期所述N个人脸识别教师模型针对当前训练的人脸识别学生模型的N个特征空间转换矩阵;/n根据所述N个特征空间转换矩阵和所述N个原始类中心矩阵,确定融合类中心矩阵;/n根据所述融合类中心矩阵和预设的监督损失函数对当前训练的人脸识别学生模型进行训练,得到当前训练周期训练后的人脸识别学生模型,所述监督损失函数至少包括根据所述融合类中心矩阵设计的蒸馏监督损失函数;/n若当前训练周期训练后的人脸识别学生模型满足预设条件,则确定所述当前训练的人脸识别学生模型收敛;/n若当前训练周期训练后的人脸识别学生模型不满足所述预设条件,则继续下一个训练周期,直至满足所述预设条件。/n
【技术特征摘要】 【专利技术属性】
1.一种人脸识别模型构建方法,其特征在于,包括:
根据预先训练好的N个人脸识别教师模型中每个人脸识别教师模型和当前训练周期所需要处理的样本数子集更新原始类中心矩阵,得到更新后的N个原始类中心矩阵,N为大于1的整数;
获取当前训练周期所述N个人脸识别教师模型针对当前训练的人脸识别学生模型的N个特征空间转换矩阵;
根据所述N个特征空间转换矩阵和所述N个原始类中心矩阵,确定融合类中心矩阵;
根据所述融合类中心矩阵和预设的监督损失函数对当前训练的人脸识别学生模型进行训练,得到当前训练周期训练后的人脸识别学生模型,所述监督损失函数至少包括根据所述融合类中心矩阵设计的蒸馏监督损失函数;
若当前训练周期训练后的人脸识别学生模型满足预设条件,则确定所述当前训练的人脸识别学生模型收敛;
若当前训练周期训练后的人脸识别学生模型不满足所述预设条件,则继续下一个训练周期,直至满足所述预设条件。
2.根据权利要求1所述的方法,其特征在于,所述根据所述N个特征空间转换矩阵和所述N个原始类中心矩阵,确定融合类中心矩阵,包括:
根据所述N个特征空间转换矩阵和所述N个原始类中心矩阵,将所述N个人脸识别教师模型的特征投影到当前训练的人脸识别学生模型的特征所在的空间,得到N个第一类中心矩阵;
根据所述N个第一类中心矩阵确定所述融合类中心矩阵。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述每个人脸识别教师模型和当前训练周期所需要处理的样本数子集更新原始类中心矩阵之前,所述方法还包括:
设置预设训练好的的N个人脸识别教师模型中每个人脸识别教师模型的学习率为0,所述人脸识别教师模型的复杂度高于所述人脸识别学生模型的复杂度。
4.根据权利要求3所述的方法,其特征在于,所述若当前训练周期训练后的人脸识别学生模型不满足所述预设条件,所述方法还包括:
针对所述N个特征空间转换矩阵执行如下更新操作,得到更新后的N个特征空间转换矩阵:
利用所述融合类中心矩阵、当前训练周期所需要处理的样本数据子集经过当前处理的人脸识别学生模型得到的特征向量矩阵、以及当前训练周期所需要处理的样本数据子集经过当前处理的人脸识别教师模型得到的J个人脸类别的类中心矩阵,更新所述当前处理的人脸识别教师模型的特征空间转换矩阵,得到更新后的特征空间转换矩阵。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
获取人脸样本数据集;
划分所述人脸样本数据集为多个样本数据子集。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
统计分析所述人脸样本数据集得到J个人脸类别,J为正整数;
选取和训练所述N个人脸识别教师模型;
针对所述每个人脸识别教师模型,设置每个人脸类别的初始类中心向量为预设向量,得到所述每个人脸识别教师模型的初始类中心矩阵,所述预设向量的维度等于当前设置的初始类中心矩阵对应的人脸识别教师模型输出的人脸特征向量的维度;
技术研发人员:奚昌凤,沙文,吴子扬,李啸,陆磊,
申请(专利权)人:科大讯飞股份有限公司,
类型:发明
国别省市:安徽;34
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。