基于联邦学习的人脸属性识别方法、客户端、设备及介质技术

本发明专利技术涉及金融科技技术领域，公开了一种基于联邦学习的人脸属性识别方法、客户端、设备及介质。所述基于联邦学习的人脸属性识别方法应用于客户端，所述人脸属性的识别方法包括：所述客户端获取人脸图像；通过所述客户端内的人脸属性识别模型对所述人脸图像进行识别得到人脸属性，所述人脸属性识别模型根据不同客户端提供的人脸特征进行纵向联邦学习得到；输出所述人脸属性。本发明专利技术克服了现有技术中客户端采用自身所拥有的人脸图像训练人脸属性识别模型导致客户端人脸属性的识别准确率较低的缺陷。

【技术实现步骤摘要】
基于联邦学习的人脸属性识别方法、客户端、设备及介质
本专利技术涉及金融科技(Fintech)
，尤其涉及一种基于联邦学习的人脸属性识别方法、客户端、设备及介质。
技术介绍
随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变，但由于金融行业的安全性、实时性要求，也对技术提出了更高的要求。人脸属性的识别，包含人脸的多种属性的识别，属性比如：性别、年龄、颜值、是否带眼镜、是否带口罩等等。现有的人脸属性识别方案，都是采用各自本地的人脸图像数据进行模型训练进而对人脸属性进行识别。然而，在现实场景中，很少有企业或者单位能够拥有大量的人脸属性数据，尤其是一些比较敏感的属性，比如年龄。因而，各自企业所拥有的人脸图像数据训练出来的模型进行人脸属性的识别，识别精度较低，也即现有的人脸属性的识别准确率较低。
技术实现思路
本专利技术的主要目的在于提供一种基于联邦学习人脸属性识别方法、客户端、设备及介质，旨在解决人脸属性的识别准确率较低的问题。为实现上述目的，本专利技术提供一本文档来自技高网...

【技术保护点】
1.一种基于联邦学习的人脸属性识别方法，其特征在于，所述基于联邦学习的人脸属性识别方法应用于客户端，所述基于联邦学习的人脸属性识别方法包括：/n所述客户端获取人脸图像；/n通过所述客户端内的人脸属性识别模型对所述人脸图像进行识别得到人脸属性，所述人脸属性识别模型根据不同客户端提供的人脸特征进行纵向联邦学习得到；/n输出所述人脸属性。/n

【技术特征摘要】
1.一种基于联邦学习的人脸属性识别方法，其特征在于，所述基于联邦学习的人脸属性识别方法应用于客户端，所述基于联邦学习的人脸属性识别方法包括：
所述客户端获取人脸图像；
通过所述客户端内的人脸属性识别模型对所述人脸图像进行识别得到人脸属性，所述人脸属性识别模型根据不同客户端提供的人脸特征进行纵向联邦学习得到；
输出所述人脸属性。


2.如权利要求1所述的基于联邦学习的人脸属性识别方法，其特征在于，所述客户端获取人脸图像的步骤之前，还包括：
获取各个训练样本对应的人脸特征，并将各个所述人脸特征发送至服务端；
接收所述服务端反馈的初始模型以及累积梯度，其中，所述服务端对各个客户端发送的人脸特征进行纵向联邦学习得到对齐数据，并根据所述对齐数据获取初始模型以及累积梯度；
根据所述累积梯度设置所述初始模型的训练参数得到训练模型，并根据各个所述训练样本对所述训练模型进行训练；
在所述训练模型的收敛值小于预设阈值，停止对所述训练模型进行训练，并将停止训练的训练模型保存为人脸属性识别模型。


3.如权利要求2所述的基于联邦学习的人脸属性识别方法，其特征在于，所述接收所述服务端反馈的初始模型以及累积梯度的步骤包括：
接收所述服务端反馈的初始模型，并通过所述初始模型对各个所述训练样本进行识别得到各个属性识别结果；
将各个所述属性识别结果发送至服务端，其中，所述服务端根据每个所述属性识别结果以及每个所述属性识别结果对应的属性数据集合确定累积梯度，所述对齐数据包括属性数据集合；
接收所述服务端发送的累积梯度。


4.如权利要求3所述的基于联邦学习的人脸属性识别方法，其特征在于，所述将各个所述属性识别结果发送至服务端的步骤之后，还包括：
接收所述服务端反馈的损失函数，其中，所述服务端根据每个客户端对应的所述属性识别结果以及所述属性识别结果对应的属性数据集合，确定每个所述对应的损失函数；
根据所述损失函数以及各个所述训练样本确定梯度，并将所述梯度发送至所述服务端，其中，所述服务端根据每个所述客户端发送的梯度计算累积梯度；
执行所述接收所述服务端发送的累积梯度的...

【专利技术属性】
技术研发人员：吴泽衡，张希，周古月，徐倩，杨强，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：广东;44