【技术实现步骤摘要】
人脸识别模型的训练方法、装置、电子设备和存储介质
[0001]本申请涉及人工智能领域，尤其涉及人脸识别
以及深度学习
，特别的涉及一种人脸识别模型的训练方法、装置、电子设备和存储介质。
技术介绍
[0002]人脸识别技术是计算机视觉领域中被广泛研究的课题之一。随着计算资源和算力的提升，基于深度神经网络的识别算法可以通过在大规模人脸数据集上的训练，取得优异的性能以及泛化性，因而被应用在身份核验的现实场景中，常见的有金融、安防和通行门禁等领域。然而，在一些嫌犯追踪、刷脸支付等重要场景，个别的漏检或误检引发的代价也是不可忽视的，这一定程度上由于神经网络的黑盒属性，虽然其拟合数据非线性关系的能力在很多领域得到验证，但是评价网络水平只能依赖于有限的测试样本，无法确保在面临新数据时的泛化性以及面对噪声扰动甚至是恶意攻击时的鲁棒性。
技术实现思路
[0003]本申请提供了一种可应用于人脸识别场景下的人脸识别模型的训练方法、装置、电子设备和存储介质。
[0004]根据本申请的第一方面，提供了一种人脸识别模...
【技术保护点】
【技术特征摘要】
1.一种人脸识别模型的训练方法，其特征在于，包括：构建人脸识别模型；其中，所述人脸识别模型包括局部特征细化模块和编码解码模块；获取配对人脸图像及所述配对人脸图像之中每张人脸图像的类别标签；其中，所述配对人脸图像为相同身份的一对人脸图像；针对每张人脸图像，获取所述人脸图像的面部特征图和面部特征向量，并根据所述面部特征图生成所述人脸图像中各个面部成分的局部特征图；将每张所述人脸图像中各个面部成分的局部特征图输入至所述局部特征细化模块，获得每张所述人脸图像中面部成分的特征向量；根据每张所述人脸图像的面部特征向量和每张所述人脸图像中面部成分的特征向量，获取针对每张所述人脸图像的类别预测结果，并根据每张所述人脸图像的类别预测结果和每张所述人脸图像的类别标签，生成分类损失；将每张所述人脸图像中各个面部成分的特征向量输入至所述编码解码模块，获得所述编码解码模块重建出的特征序列；根据所述特征序列和每张所述人脸图像中各个面部成分的特征向量，生成最小平方差损失，并根据所述分类损失和所述最小平方损失，训练所述人脸识别模型。2.根据权利要求1所述的方法，其特征在于，所述人脸识别模型还包括基准网络模块；所述获取所述人脸图像的面部特征图和面部特征向量，包括：将所述人脸图像输入至所述基准网络模块，获取所述基准网络模块之中中间层输出的面部特征图和输出层输出的面部特征向量。3.根据权利要求1所述的方法，其特征在于，所述根据所述面部特征图生成所述人脸图像中各个面部成分的局部特征图，包括：针对所述面部特征图，将人脸解析和3D重建投影获得的位置掩码标签化处理，获得所述面部特征图之中各个面部成分的位置掩码图像；根据所述面部特征图之中各个面部成分的位置掩码图像和所述面部特征图，生成所述人脸图像中各个面部成分的局部特征图。4.根据权利要求1所述的方法，其特征在于，所述人脸识别模型还包括分类模块；所述根据每张所述人脸图像的面部特征向量和每张所述人脸图像中面部成分的特征向量，获取针对每张所述人脸图像的类别预测结果，包括：根据每张所述人脸图像的面部特征向量和每张所述人脸图像中面部成分的特征向量，生成每张所述人脸图像的融合特征向量；将每张所述人脸图像的融合特征向量输入至所述分类模块，获得针对每张所述人脸图像的类别预测结果。5.根据权利要求1至4中任一项所述的方法，其特征在于，所述编码解码模块包括基于Transformer结构的编码器和解码器。6.一种人脸识别模型的训练装置，其特征在于，包括：构建模块，用于构建人脸识别模型；其中，所述人脸识别模型包括局部特征细化模块和编码解码模块；第一获取模块，用于获取配对人脸图像及所述配对人脸图像之中每张人脸...
【专利技术属性】
技术研发人员：石海林，蒋浩然，胡一博，刘颖璐，王军，梅涛，周伯文，
申请(专利权)人：北京京东尚科信息技术有限公司，
类型：发明
国别省市：
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。