【技术实现步骤摘要】
人脸图像分类方法、人脸图像分类装置和存储介质
[0001]本公开涉及人脸图像分类方法、人脸图像分类装置和存储介质。
技术介绍
[0002]使用图卷积网络(Graph Convolutional Network，GCN)来进行人脸图像分类是已知的。通常，使用诸如MS Celeb 1M和MegaFace2之类的已知的人脸图像集对图卷积网络进行训练，然后使用训练好的图卷积网络来对未知的人脸图像集进行分类。这里，已知的人脸图像集指具有标签的人脸图像集，标签指示出该人脸图像集中的图像是否与同一人对应。相对地，未知的人脸图像集指不具有标签的人脸图像集。
技术实现思路
[0003]本公开的一个目的是提供一种改进的人脸图像分类方法和装置。
[0004]本公开提出了人脸图像分类方法。人脸图像分类方法包括以下步骤：接收第一图像集，第一图像集与第一人对应但不具有对图像进行标记的标签；提取第一图像集中的每个图像的特征；基于所提取的特征，计算第一图像集中的每个图像对之间的相似度；基于所计算的相似度，构建图，在该图中，第一图像集...
【技术保护点】
【技术特征摘要】
1.一种人脸图像分类方法，其特征在于，包括以下步骤：接收第一图像集，第一图像集与第一人对应但不具有对图像进行标记的标签，提取第一图像集中的每个图像的特征，基于所提取的特征，计算第一图像集中的每个图像对之间的相似度，基于所计算的相似度，构建图，在该图中，第一图像集中的每个图像由一个节点表示，连接节点的边表示节点之间的相似度关系，基于所提取的特征以及所构建的图，通过使用图卷积网络来确定每个节点的概率值，该概率值指示出节点表示第一人的人脸图像的概率，其中，图卷积网络是通过使用第一图像集和第二图像集两者而被训练的，第二图像集与第一图像集不同并且第二图像集具有将图像标记为是否表示第二人的人脸图像的标签，以及基于所确定的概率值，将节点分类为表示第一人的人脸图像的信号节点和不表示第一人的人脸图像的噪音节点。2.根据权利要求1所述的方法，其中，图卷积网络具有初始网络参数，并且图卷积网络通过以下操作而被训练：为针对第一图像集而构建的图中的每个节点生成伪标签，该伪标签将相应节点标记为信号节点或者噪音节点，使用第二图像集、第二图像集的标签以及具有初始网络参数的图卷积网络，确定图卷积网络的中间网络参数，使得针对第二图像集的图卷积网络的损失最小，针对第二图像集的图卷积网络的损失表示针对第二图像集的图像分类结果与标签之间的差异，以及使用针对第一图像集而提取的特征、针对第一图像集而构建的图、伪标签以及具有中间网络参数的图卷积网络，更新图卷积网络的初始网络参数，使得包含针对第一图像集的图卷积网络的损失和针对第二图像集的图卷积网络的损失的总损失最小，针对第一图像集的图卷积网络的损失表示针对第一图像集的图像分类结果与伪标签之间的差异。3.根据权利要求2所述的方法，其中，为针对第一图像集而构建的图中的每个节点生成伪标签包括：基于针对第一图像集而计算的相似度，将针对第一图像集而构建的图划分成彼此不连接的多个子图，以及将节点数目最大的子图中的全部节点标记为信号节点，并且将其他节点标记为噪音节点。4.根据权利要求1所述的方法，其中，对节点进行分类的步骤包括：通过将所确定的概率值与自适应阈值进行比较，将节点分类为信号节点和噪音节点，其中自适应阈值是针对第一图像集确定的。5.根据权利要求4所述的方法，其中，图卷积网络包括输入层、至少一个隐藏层和输出层，其中，自适应阈值是通过阈值适配器网络的以下操作而被确定的：计算在针对第一图像集而构建的图被输入到图卷积网络的情况下图卷积网络的最后一个隐藏层中的各节点的值的平均值，将计算出的平均值输入全连接层，以及将全连接层的输出输入到激活函数从而得到自适应阈值。6.根据权利要求5所述的方法，其中，阈值适配器网络通过以下操作而被训练：
为针对第一图像集而构建的图中的每个节点生成伪标签，该伪标签将相应节点标记为信号节点或者噪音节点，以及阈值适配器网络的网络参数被确定以使得在使用所确定的自适应阈值对节点进行分...
【专利技术属性】
技术研发人员：李献，温东超，赵东悦，邓伟洪，胡佳妮，
申请(专利权)人：北京邮电大学，
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。