训练年龄预测模型的方法、年龄检测方法及相关装置制造方法及图纸

本申请实施例涉及人脸图像属性预测技术领域，公开了一种训练年龄预测模型的方法、年龄检测方法及相关装置，采用包括多个人脸图像的训练集，对至少两个教师神经网络进行迭代训练，得到至少两个教师模型，各教师模型分别输出训练集中各人脸图像的软标签。然后，采用训练集和损失函数，对学生神经网络进行迭代训练，得到年龄预测模型。损失函数包括各人脸图像的真实标签和各教师模型分别输出的各人脸图像的软标签之间的第一损失以及各人脸图像的真实标签和学生神经网络输出的预测标签之间的第二损失，使得各教师模型能够指导学生神经网络学习年龄特征信息，训练得到的年龄预测模型具有各教师模型的年龄特征学习能力，从而，能够提高年龄检测准确性。能够提高年龄检测准确性。能够提高年龄检测准确性。

【技术实现步骤摘要】
训练年龄预测模型的方法、年龄检测方法及相关装置


[0001]本申请实施例涉及人脸图像属性预测
，尤其涉及一种训练年龄预测模型的方法、年龄检测方法及相关装置。

技术介绍

[0002]人脸图像包含了多种人脸特征信息，如人脸脸型、人脸皮肤状态、人脸表情、人脸五官、人脸年龄等，其中，人脸年龄作为一项较重要的特征信息，在人脸图像检测领域得到了广泛的应用。例如，在移动设备上运行的一些客户端上，具有年龄检测的功能，其中，客户端通过获取人脸图像，并基于获取到的人脸图像输出检测得到的年龄，以反馈给用户。
[0003]年龄检测是一项充满挑战的任务，不同人在相同年龄阶段存在一些相似的特征，不同人在相同年龄阶段也存在一些不同的特征。目前，在人脸年龄检测的有关技术中，通常将年龄作为一个单独的标签信息，因此针对年龄的预测，其本质转为年龄值的分类问题。然而，在实际应用中需要考虑到模型的大小和检测速度，以能够更好的在终端设备上得到应用，因此，在不增加模型大小和检测速度的情况下，提升年龄检测的准确度是一个亟待解决的技术问题。

技术实现思路

[0004]本申请实施例主要解决的技术问题是提供一种训练年龄预测模型的方法、年龄检测方法及相关装置，能够实现在尽可能减小模型大小、提高检测速度的情况下，提高年龄检测的准确度。
[0005]为解决上述技术问题，第一方面，本申请实施例中提供给了一种训练年龄预测模型的方法，包括：
[0006]获取包括多个人脸图像的训练集，各所述人脸图像标注有真实标签；
[0007]采用所述训练集，对至少两个教师神经网络进行迭代训练，得到至少两个教师模型，其中，所述至少两个教师模型分别输出所述训练集中各人脸图像的软标签；
[0008]采用所述训练集和损失函数，对学生神经网络进行迭代训练，得到所述年龄预测模型，其中，所述损失函数包括所述训练集中各人脸图像的真实标签和所述至少两个教师模型分别输出的所述训练集中各人脸图像的软标签之间的第一损失以及所述训练集中各人脸图像的真实标签和所述学生神经网络输出的预测标签之间的第二损失。
[0009]在一些实施例中，所述学生神经网络包括N个特征提取模块；
[0010]在所述采用所述训练集和损失函数，对学生神经网络进行迭代训练，得到所述年龄预测模型之前，所述方法还包括：
[0011]根据终端设备的性能，调整所述特征提取模块的数量N和各所述特征提取模块对应的输出通道数。
[0012]在一些实施例中，所述至少两个教师神经网络的网络深度不同，各所述教师神经网络包括基础网络和至少一个多重融合残差模块，所述至少一个多重融合残差模块分别穿
插于所述基础网络中，其中，所述基础网络通过调整所述学生神经网络中特征提取模块的数量N和各所述特征提取模块对应的输出通道数得到。
[0013]在一些实施例中，所述多重融合残差模块包括多个卷积层，各所述卷积层输出中间特征图，所述多重融合残差模块输出的特征图为至少两个所述中间特征图融合得到的特征图。
[0014]在一些实施例中，所述损失函数还包括各所述教师模型在特征提取过程中的最后一个特征图和所述学生神经网络在特征提取过程中与所述最后一个特征图大小对应的特征图之间的第三损失。
[0015]在一些实施例中，所述损失函数为
[0016][0017]其中，Loss为一人脸图像对应的损失，L
r
为所述第一损失，L
s
为所述第二损失，Ll为所述第三损失，n为年龄范围最大值，M为所述至少两个教师模型的数量，M≥2，为第j个教师模型预测为年龄i的概率值，P
iS
为学生神经网络预测为年龄i的概率值，y
i
为真实年龄，为第j个教师模型在特征提取过程中的最后一个特征图，为所述学生神经网络在特征提取过程中与大小对应的特征图。
[0018]在一些实施例中，所述获取包括多个人脸图像的训练集，包括：
[0019]获取图像样本集，所述图像样本集包括多个图像；
[0020]采用人脸关键算法，获取所述图像样本集中各图像中人脸的关键点；
[0021]根据各所述图像中人脸的关键点，将各所述图像中的人脸调整为正脸，并截取人脸有效区域，得到各所述人脸图像。
[0022]为解决上述技术问题，第二方面，本申请实施例中提供给了一种年龄检测方法，包括：
[0023]获取待检测人脸图像；
[0024]将所述待检测人脸图像输入年龄预测模型，得到所述待检测人脸图像对应的年龄，其中，所述年龄预测模型为采用如上第一方面中任意一项所述的方法训练得到。
[0025]为解决上述技术问题，第三方面，本申请实施例中提供给了一种电子设备，包括：
[0026]至少一个处理器，以及
[0027]与所述至少一个处理器通信连接的存储器，其中，
[0028]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上第一方面中的方法或第二方面中的方法。
[0029]为解决上述技术问题，第四方面，本申请实施例中提供给了一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使电子设备执行如上第一方面中的方法或第二方面中的方法。
[0030]本申请实施例的有益效果：区别于现有技术的情况，本申请实施例提供的训练年
龄预测模型的方法，首先，采用包括多个人脸图像的训练集，对至少两个教师神经网络进行迭代训练，得到至少两个教师模型，各教师模型分别输出训练集中各人脸图像的软标签。然后，采用训练集和损失函数，对学生神经网络进行迭代训练，得到年龄预测模型。损失函数包括训练集中各人脸图像的真实标签和各教师模型分别输出的训练集中各人脸图像的软标签之间的第一损失以及训练集中各人脸图像的真实标签和学生神经网络输出的预测标签之间的第二损失，使得各教师模型能够指导学生神经网络学习年龄特征信息，训练得到的年龄预测模型具有各教师模型的年龄特征学习能力，从而，能够提高年龄检测准确性。也即基于至少两个教师模型所提取学习到的年龄特征信息不同，利用不同教师模型提取学习到的年龄特征信息指导学生神经网络进行训练，使得训练得到的年龄预测模型学习的年龄特征信息更具有容错性，更好的兼容真实年龄与实际皮肤年龄相差较大的情况，即具有更好的鲁棒性和准确性。此外，各教师模型指导年龄预测模型的训练，但当应用年龄预测模型进行年龄检测时，可以直接调用年龄预测模型(相当于学生模型)即可，各教师模型在检测时不再参与，从而，使得年龄预测模型不仅准确度高，还具有模型小、轻量化和检测速度高的特点。
附图说明
[0031]一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
[0032]图1为本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种训练年龄预测模型的方法，其特征在于，包括：获取包括多个人脸图像的训练集，各所述人脸图像标注有真实标签；采用所述训练集，对至少两个教师神经网络进行迭代训练，得到至少两个教师模型，其中，所述至少两个教师模型分别输出所述训练集中各人脸图像的软标签；采用所述训练集和损失函数，对学生神经网络进行迭代训练，得到所述年龄预测模型，其中，所述损失函数包括所述训练集中各人脸图像的真实标签和所述至少两个教师模型分别输出的所述训练集中各人脸图像的软标签之间的第一损失以及所述训练集中各人脸图像的真实标签和所述学生神经网络输出的预测标签之间的第二损失。2.根据权利要求1所述的方法，其特征在于，所述学生神经网络包括N个特征提取模块；在所述采用所述训练集和损失函数，对学生神经网络进行迭代训练，得到所述年龄预测模型之前，所述方法还包括：根据终端设备的性能，调整所述特征提取模块的数量N和各所述特征提取模块对应的输出通道数。3.根据权利要求2所述的方法，其特征在于，所述至少两个教师神经网络的网络深度不同，各所述教师神经网络包括基础网络和至少一个多重融合残差模块，所述至少一个多重融合残差模块分别穿插于所述基础网络中，其中，所述基础网络通过调整所述学生神经网络中特征提取模块的数量N和各所述特征提取模块对应的输出通道数得到。4.根据权利要求3所述的方法，其特征在于，所述多重融合残差模块包括多个卷积层，各所述卷积层输出中间特征图，所述多重融合残差模块输出的特征图为至少两个所述中间特征图融合得到的特征图。5.根据权利要求1
‑
4任意一项所述的方法，其特征在于，所述损失函数还包括各所述教师模型在特征提取过程中的最后一个特征图和所述学生神经网络在特征提取过程中与所述最后一个特征图大小对应的特征图之间的第三损失。6.根据权利...

【专利技术属性】
技术研发人员：陈仿雄，
申请(专利权)人：深圳数联天下智能科技有限公司，
类型：发明
国别省市：