【技术实现步骤摘要】
人脸识别模型的训练方法、装置及计算机程序产品
[0001]本公开涉及人工智能领域，具体涉及计算机视觉和深度学习技术，尤其涉及人脸识别模型的训练方法、装置、电子设备、存储介质以及计算机程序产品，可用于人脸识别场景下。
技术介绍
[0002]近年来，随着深度学习技术的发展，基于深度学习技术的人脸识别的精度大幅提升。人脸识别在很多场景下有重要应用，如机场、火车站等换乘场景下的人证比对，私域管理场景下的门禁刷脸，金融场景下的真人核验等。在这些丰富的落地场景中，存在复杂光线、大角度人脸、人脸遮挡、图片模糊等复杂情况，使得深度学习模型在不同场景下能生成足够稳健的人脸特征，并在合适的度量空间中计算足够可信的人脸特征对的相似度，成为人脸识别的研究热点。
技术实现思路
[0003]本公开提供了一种人脸识别模型的训练方法、装置、电子设备、存储介质以及计算机程序产品。
[0004]根据第一方面，提供了一种人脸识别模型的训练方法，执行如下训练操作，直至得到人脸识别模型：从训练样本集中选取训练样本，并通过初始人脸识别模型得到所...
【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，执行如下训练操作，直至得到所述人脸识别模型：从训练样本集中选取训练样本，并通过初始人脸识别模型得到所选取的训练样本中的样本人脸图像的人脸特征，其中，所述训练样本集中的训练样本包括样本人脸图像和类别标签；基于所述人脸特征与预设类别集合中的各类别的类别特征，通过所述初始人脸识别模型确定所述人脸特征与各类别特征之间的相似度，以及所述相似度的偏置；根据所述相似度、所述偏置和所选取的训练样本的类别标签，确定分类损失，并根据所述分类损失更新所述初始人脸识别模型。2.根据权利要求1所述的方法，其中，所述人脸特征为所选取的预设数量的样本人脸图像对应的特征矩阵；以及基于所述人脸特征与预设类别集合中的各类别的类别特征，通过所述初始人脸识别模型确定所述相似度的偏置，包括：基于所述特征矩阵和表征各类别特征的类别矩阵，通过所述初始人脸识别模型得到特征关系矩阵；对所述特征关系矩阵进行降维操作，得到所述相似度对应的相似度矩阵的偏置矩阵。3.根据权利要求2所述的方法，其中，所述相似度对应的相似度矩阵和所述偏置对应的偏置矩阵尺寸一致；以及所述根据所述相似度、所述偏置和所选取的训练样本的类别标签，确定分类损失，包括：根据所述偏置矩阵调整所述相似度矩阵，得到调整后相似度矩阵；根据所述调整后相似度矩阵和所选取的训练样本的类别标签，确定所述分类损失。4.根据权利要求1
‑
3中任一项所述的方法，其中，所述基于所述人脸特征与预设类别集合中的各类别的类别特征，通过所述初始人脸识别模型确定所述人脸特征与各类别特征之间的相似度，包括：对所述人脸特征与各类别特征进行归一化；确定归一化后的所述人脸特征与各类别特征之间的相似度。5.根据权利要求4所述的方法，其中，所述对所述人脸特征与各类别特征进行归一化，包括：对所述特征矩阵中的每个人脸特征进行归一化，得到归一化特征矩阵；对所述类别矩阵中的每个类别特征进行归一化，得到归一化类别矩阵；以及所述确定归一化后的所述人脸特征与各类别特征之间的相似度，包括：基于所述归一化特征矩阵与所述归一化类别矩阵，确定初始相似度矩阵；基于第一预设数值调整所述初始相似度矩阵中表征同一人脸对象的特征对之间的相似度，并基于第二预设数值调整所述初始相似度矩阵中每个特征对之间的相似度，得到所述相似度矩阵，其中，每个特征对中包括一个人脸特征和一个类别特征。6.一种人脸识别方法，包括：获取待识别图像；通过预训练的人脸识别模型识别所述待识别图像，得到人脸识别结果，其中，所述人脸识别模型通过权利要求1
‑
5中任一项训练得到。
7.一种人脸识别模型的训练装置，执行如下训练操作，直至得到所述人脸识别模型：得到单元，被配置成从训练样本集中选取训练样本，并通过初始人脸识别模型得到所选取的训练样本中的样本人脸图像的人脸特征，其中...
【专利技术属性】
技术研发人员：彭楠，李弼，希滕，张刚，
申请(专利权)人：北京百度网讯科技有限公司，
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。