人脸识别模型的训练方法、装置及计算机程序产品制造方法及图纸

本公开提供了人脸识别模型的训练方法、装置、电子设备、存储介质及计算机程序产品，涉及人工智能领域，具体涉及计算机视觉和深度学习技术，可用于人脸识别场景下。具体实现方案为：获取训练样本集，其中，训练样本集中的训练样本包括样本人脸图像和类别标签；利用机器学习方法，以样本人脸图像为输入，以所输入的样本人脸图像对应的类别标签为初始人脸识别模型中的两个目标全连接层的期望输出，训练得到人脸识别模型，其中，两个目标全连接层依次对包括遮挡物的样本人脸图像、不包括遮挡物的样本人脸图像建模。本公开提高了人脸识别模型的识别精度。别精度。别精度。

【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。而在人脸识别模型的应用过程中，训练过程和应用过程的不匹配，损害了人脸识别模型的识别精度。

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，包括：获取训练样本集，其中，训练样本集中的训练样本包括样本人脸图像和类别标签；利用机器学习方法，以样本人脸图像为输入，以所输入的样本人脸图像对应的类别标签为初始人脸识别模型中的两个目标全连接层的期望输出，训练得到人脸识别模型，其中，两个目标本文档来自技高网...

【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，包括：获取训练样本集，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；利用机器学习方法，以样本人脸图像为输入，以所输入的样本人脸图像对应的类别标签为初始人脸识别模型中的两个目标全连接层的期望输出，训练得到所述人脸识别模型，其中，所述两个目标全连接层依次对包括遮挡物的样本人脸图像、不包括遮挡物的样本人脸图像建模。2.根据权利要求1所述的方法，其中，所述利用机器学习方法，以样本人脸图像为输入，以所输入的样本人脸图像对应的类别标签为初始人脸识别模型中的两个目标全连接层的期望输出，训练得到所述人脸识别模型，包括：响应于确定所输入的样本人脸图像为包括遮挡物的人脸图像，执行如下操作：通过所述初始人脸识别模型中的特征提取网络提取所输入的样本人脸图像的特征信息，并依据提取到的特征信息，通过所述初始人脸识别模型中的第一目标全连接层、第二目标全连接层分别得到实际输出，其中，所述第一目标全连接层对包括遮挡物的人脸图像进行建模，所述第二目标全连接层对不包括遮挡物的人脸图像进行建模；基于所述第一目标全连接层的实际输出与所输入的样本人脸图像对应的类别标签之间的第一分类损失，更新所述第一目标全连接层；基于所述第二目标全连接层的实际输出与所输入的样本人脸图像对应的类别标签之间的第二分类损失，更新所述特征提取网络。3.根据权利要求2所述的方法，其中，所述基于所述第一目标全连接层的实际输出与所输入的样本人脸图像对应的类别标签之间的第一分类损失，更新所述第一目标全连接层，包括：根据所述第一分类损失，得到第一梯度；向所述第一目标全连接层反传所述第一梯度，以根据所述第一梯度更新所述第一目标全连接层；以及所述基于所述第二目标全连接层的实际输出与所输入的样本人脸图像对应的类别标签之间的第二分类损失，更新所述特征提取网络，包括：根据所述第二分类损失，得到第二梯度；向所述特征提取网络反传所述第二梯度，以根据所述第二梯度更新所述特征提取网络。4.根据权利要求2所述的方法，其中，所述利用机器学习方法，以样本人脸图像为输入，以所输入的样本人脸图像对应的类别标签为初始人脸识别模型中的两个目标全连接层的期望输出，训练得到所述人脸识别模型，还包括：响应于确定所输入的样本人脸图像为不包括遮挡物的人脸图像，执行如下操作：通过所述特征提取网络提取所输入的样本人脸图像的特征信息，并依据提取到的特征信息，通过所述第一目标全连接层、所述第二目标全连接层分别得到实际输出；基于所述第二目标全连接层的实际输出与所输入的样本人脸图像对应的类别标签之间的第三分类损失，更新所述第二目标全连接层；基于所述第一目标全连接层的实际输出与所输入的样本人脸图像对应的类别标签之间的第四分类损失，更新所述特征提取网络。
5.根据权利要求4所述的方法，其中，所述基于所述第二目标全连接层的实际输出与所输入的样本人脸图像对应的类别标签之间的第三分类损失，更新所述第二目标全连接层，包括：根据所述第三分类损失，得到第三梯度；向所述第二目标全连接层反传所述第三梯度，以根据所述第三梯度更新所述第二目标全连接层；以及所述基于所述第一目标全连接层的实际输出与所输入的样本人脸图像对应的类别标签之间的第四分类损失，更新所述特征提取网络，包括：根据所述第四分类损失，得到第四梯度；向所述特征提取网络反传所述第四梯度，以根据所述第四梯度更新所述特征提取网络。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...

【专利技术属性】
技术研发人员：李弼，彭楠，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：