【技术实现步骤摘要】
一种给予自适应的人脸特征分离提取方法
本专利技术涉及一种人脸特征分离提取方法,具体为一种给予自适应的人脸特征分离提取方法,属于人脸识别
技术介绍
人脸识别是CV领域的一项重要任务。目前人脸识别技术特别是在超大型的数据集上的表现,还有很多需要去优化完善。现阶段人脸识别技术的核心在于特征高维度的有效分离。为了解决这个问题我们先从以下这两个角度谈起:1,基于挖掘策略HardSample挖掘即HardNegative/PositiveMining,关注Sample可提供的信息。2,基于隔距损失函数来强化Features在真实候选框上的mapping之间的间隔。但这两个方法在train整个过程中过于重视hardSample,从而使整个network无法Convergence0如果对所有的Sample都进行统一尺度的隔距值,这样会使Sample本身的不同情况特征难以区分,所以不能以一个固定阈值为准,需要根据每个不同Sample指定不同的自适应策略。现阶段的人脸识别都是以深度学习为基础进行搭建,训练深层网络模型,使用Crossentropy交叉熵损失和Metriclearning计量学损失但这样的方式常常给我们带来庞大的计算开销。为了降低这个问题带来的影响,设计了Stochastic采样的方针,所以Metriclearning的performance对于这它影响很大。所以,开始重新搭建以Crossentropy为基础的loss。若类内的聚合性和类间的分离性即松耦合高内聚达到最大,那么fea ...
【技术保护点】
1.一种给予自适应的人脸特征分离提取方法,包括Super-Cross entropy算法;其特征在于:所述Super-Cross entropy算法由Hardminging和添加隔距为基础融入到框架内,所述Super-Cross entropy算法包括以下步骤:/nInput:卷积层Sample特征x对应的标签y;/n其中,在卷积层的初始化参数为Θ;/n最后全签接层参数为W;/n学习率为λ;/n自适应学习参数为t;/n迭代次数为a;/nwhile不收敛:根据对Hard Sample的定义,使用Super-Cross entropy迭送代计算每个卷积特征x和权重w的反向传播更新梯度,并更新参数Θ和W;其中,/n
【技术特征摘要】
1.一种给予自适应的人脸特征分离提取方法,包括Super-Crossentropy算法;其特征在于:所述Super-Crossentropy算法由Hardminging和添加隔距为基础融入到框架内,所述Super-Crossentropy算法包括以下步骤:
Input:卷积层Sample特征x对应的标签y;
其中,在卷积层的初始化参数为Θ;
最后全签接层参数为W;
学习率为λ;
自适应学习参数为t;
迭代次数为a;
while不收敛:根据对HardSample的定义,使用Super-Crossentropy迭送代计算每个卷积特征x和权重w的反向传播更新梯度,并更新参数Θ和W;其中,
End
Output:参数Θ和W。
2.根据权利要求1所述的一种给予自适应的人脸特征分离提取方法,其特征在于:所述Super-Crossentropy算法在训练起始关注SimpleSample,在train的过程中逐渐的增加hardSample的权重,与此同时把关注点放在不正确classification的Sample上,给于这些Sample难易不同程度的权重值,来指导可分Features的学习,解决人脸Features提取的损失函数的高效性和实用性,可以降低HardSample的Uncertainty,又汲取其他Sample的Partibility,从而得到更好的Features。
3.根据权利要求1所述的一种给予自适应的人脸特征分离提取方法,其特征在于:所述Super-Crossentropy算法的Crossentropyloss是在FC层之后,Wk和最后一层出来的Feature进行Normalization,然后使用一个松弛因子S进缩放。
即给定一个FeatureX,真实候选框是Y,公式如下:
其中,是余弦相似度,是wk和X之间的角度,这样得到的Feature没有需要进行的识别所需要的Discriminate。而HardMining的核心在train的全过程中包含的实际意义的Sampledataset,从而得到更加Discriminate的Features公式如下:
其中:
以上是对真实classification进行的predict的probability。
4.根据权利要求1所述的一种给予自...
【专利技术属性】
技术研发人员:肖红彬,孙靖,
申请(专利权)人:北京思维实创科技股份有限公司,
类型:发明
国别省市:北京;11
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。