人脸识别模型中特征提取层的确定方法、设备和存储介质技术

本公开提供了一种人脸识别模型中特征提取层的确定方法、设备和存储介质，涉及人工智能技术领域，具体为深度学习、计算机视觉技术领域。具体实现方案为：通过目标网络模型中的两个分支对同一个对象的两个人脸样本图像进行分析，以得到两个人脸样本图像的聚类结果向量，并基于所得到的聚类结果向量对目标网络模型进行训练，以得到训练好的目标网络模型，以及将训练好的目标网络模型中第一分支中的特征提取层确定出人脸识别模型的特征提取层。由此，提供了一种人脸识别模型的特征提取层的获取方式。取方式。取方式。

【技术实现步骤摘要】
人脸识别模型中特征提取层的确定方法、设备和存储介质


[0001]本公开涉及人工智能
，具体为深度学习、计算机视觉
，尤其涉及人脸识别模型中特征提取层的确定方法、设备和存储介质。

技术介绍

[0002]在对人脸图像进行分类的场景中，相关技术中通常采用人脸识别模型对人脸图像进行分类，而人脸识别模型中的特征提取层所提取到的人脸特征的准确性，对于人脸识别模型的分类是十分重要的。

技术实现思路

[0003]本公开提供了一种用于人脸识别模型中特征提取层的确定方法、设备和存储介质。
[0004]根据本公开的一方面，提供了一种人脸识别模型中特征提取层的确定方法，所述方法包括：将第一人脸样本图像输入到目标网络模型中的第一分支，以得到所述第一人脸样本图像的第一聚类结果向量，其中，所述第一分支包括依次连接的第一特征提取层和第一聚类层；将第二人脸样本图像输入到目标网络模型中的第二分支，以得到所述第二人脸样本图像的第二聚类结果向量，其中，所述第二分支包括依次连接的第二特征提取层和第二聚类层，所述第一人脸样本图像和所述第二人脸样本图像对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸识别模型中特征提取层的确定方法，包括：将第一人脸样本图像输入到目标网络模型中的第一分支，以得到所述第一人脸样本图像的第一聚类结果向量，其中，所述第一分支包括依次连接的第一特征提取层和第一聚类层；将第二人脸样本图像输入到目标网络模型中的第二分支，以得到所述第二人脸样本图像的第二聚类结果向量，其中，所述第二分支包括依次连接的第二特征提取层和第二聚类层，所述第一人脸样本图像和所述第二人脸样本图像对应同一个对象；根据所述第一聚类结果向量和所述第二聚类结果向量，对所述目标网络模型进行训练，以得到训练好的目标网络模型；将所述训练好的目标网络模型中的第一特征提取层作为所述人脸识别模型中的特征提取层。2.根据权利要求1所述的方法，其中，所述根据所述第一聚类结果向量和所述第二聚类结果向量，对所述目标网络模型进行训练，以得到训练好的目标网络模型，包括：根据所述第一聚类结果向量和所述第二聚类结果向量，确定所述目标网络模型的目标损失函数值；根据所述目标损失函数值，对所述目标网络模型进行更新，直至所述目标函数值收敛，以得到训练好的目标网络模型。3.根据权利要求2所述的方法，其中，所述第一特征提取层和所述第二特征提取层具有相同的网络结构，所述第一聚类层和所述第二聚类层具有相同的网络结构，所述根据所述目标损失函数值，对所述目标网络模型进行更新，包括：根据所述目标损失函数值，更新所述第二特征提取层的参数和所述第二聚类层的参数；根据更新后的所述第二特征提取层的参数更新所述第二特征提取层的参数，并根据更新后的所述第二聚类层的参数更新所述第一聚类层的参数。4.根据权利要求2所述的方法，其中，所述目标网络模型还包括第一损失函数层、第二损失函数层和特征向量队列层，其中，所述特征向量队列层用于缓存所述第一特征提取层所输出的人脸特征向量，所述方法还包括：获取所述第一特征提取层输出的第一人脸特征向量，并获取所述第二特征提取层输出的第二人脸特征向量；将由所述第一人脸特征向量和所述第二人脸特征向量构成的正样本对、以及由所述第二人脸特征向量和所述特征向量队列层中各历史人脸特征向量构成的负样本对，输入到所述第一损失函数层，以得到第一交叉熵损失值；其中，所述根据所述第一聚类结果向量和所述第二聚类结果向量，确定所述目标网络模型的目标损失函数值，包括：将所述第一聚类结果向量和所述第二聚类结果向量输入到所述第二损失函数层，以得到第二交叉熵损失值；对所述第一交叉熵损失值和所述第二交叉熵损失值进行加权求和，以得到所述目标网络模型的目标损失函数值。5.根据权利要求4所述的方法，其中，所述目标网络模型还包括：标签队列层，所述将由
所述第一人脸特征向量和所述第二人脸特征向量构成的正样本对、以及由所述第二人脸特征向量和所述特征向量队列层中各历史人脸特征向量构成的负样本对，输入到所述第一损失函数层，以得到第一交叉熵损失值，包括：根据所述第一损失函数层，确定所述正样本对的第一预测标签以及各所述负样本对的第二预测标签；获取所述标签队列层中与所述第一人脸特征向量对应的第一实际标签；获取所述标签队列层中与各所述负样本对中的历史人脸特征向量对应的第二实际标签；根据所述第一实际标签和所述第一预测标签、各所述标签向量与对应的第二实际标签，确定第一交叉熵损失值。6.根据权利要求4所述的方法，其中，在所述将所述第一聚类结果向量和所述第二聚类结果向量输入到所述第二损失函数层，以得到第二交叉熵损失值之前，所述方法包括：获取所述第一分支的聚类结果中心向量；将所述第一聚类结果向量减去所述聚类结果中心向量，以得到更新后的所述第一聚类结果向量。7.根据权利要求6所述的方法，其中，所述目标网络模型还包括：用于保存所述第一聚类层输出的聚类结果向量的分类特征向量序列层，所述获取所述第一分支的聚类结果中心向量，包括：对所述聚类结果向量序列层中的所有历史聚类结果向量进行求平均，以得到聚类结果平均向量；根据所述聚类结果平均向量，确定所述聚类结果中心向量。8.根据权利要求4
‑
7任一项所述的方法，其中，在所述将所述第一聚类结果向量和所述第二聚类结果向量输入到所述第二损失函数层，以得到第二交叉熵损失值之前，所述方法还包括：根据所述第一分支对应的第一锐化因子，对所述第一聚类结果向量进行锐化处理；根据所述第二分支对应的第二锐化因子，对所述第二聚类结果向量进行锐化处理。9.一种人脸识别模型中特征提取层的确定装置，包括：第一处理模块，用于将第一人脸样本图像输入到目标网络模型中的第...

【专利技术属性】
技术研发人员：李鑫，张刚，温圣召，冯浩城，
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：