本申请实施例提供了一种人脸属性识别网络的训练方法、识别方法及相关设备，本申请实施例的人脸属性识别方法，能够获取训练任务和测试任务，训练任务的人脸图像样本和测试任务的人脸图像样本所属领域不同，通过训练任务和测试任务，得到一个在训练任务所属领域和测试任务所属领域的损失都较小的网络参数，旨在提高人脸属性识别网络识别不同领域的人脸属性的能力，提供一个通用的鲁棒的网络。提供一个通用的鲁棒的网络。提供一个通用的鲁棒的网络。
【技术实现步骤摘要】
人脸属性识别网络的训练方法、识别方法及相关设备
[0001]本申请涉及计算机
，具体涉及一种人脸属性识别网络的训练方法、识别方法及相关设备。
技术介绍
[0002]在进行人脸属性识别时，若出现人脸被口罩眼镜等配饰遮挡、光线不佳等情况，均会导致年龄等人脸属性的识别精度降低。
[0003]为提高人脸识别精度，在进行人脸属性识别前，往往会评估人脸图像的质量，若人脸图像出现遮挡严重或者光线不佳的情况，则不进行属性识别，然而，该种方式，对于当下日常需要佩戴口罩的情况，并不适用。
[0004]另一类方法是在进行网络训练时，将不同领域的数据如口罩数据、暗光数据、强光数据、以及处于不同拍摄场景的数据作为网络训练的数据集一同输入人脸属性识别模型进行训练。然而，该种方式需要依赖于大规模的数据集以进行训练，以及高性能硬件以支持庞大的计算量，若数据集中只包括部分领域的数据，通过该数据集训练出的网络可能会产生过拟合，只能在部分领域下取得一定的人脸属性识别精度，难以泛化到训练集中不存在的领域。
技术实现思路
[0005]本申请实施例提供一种人脸属性识别网络的训练方法、识别方法及相关设备。
[0006]一方面，本申请提供一种人脸属性识别网络的训练方法，所述人脸属性识别网络的训练方法包括：确定待训练的人脸属性识别网络当前的网络参数；获取用于训练人脸属性识别网络的至少一个测试任务和至少一个训练任务；所述测试任务的人脸图像样本和所述训练任务的人脸图像样本所属人脸属性识别领域不同；通过用于计算训练任务损失的第一损失函数，以及所述当前的网络参数，得到所述训练任务的第一损失函数值；根据所述第一损失函数和所述训练任务中的人脸图像样本，对所述当前的网络参数进行梯度下降，得到所述训练任务对应的梯度下降后的第一网络参数；通过用于计算测试任务损失的第二损失函数和所述第一网络参数，得到所述测试任务对应的第二损失函数值；将所述第一损失函数值，以及所述第二损失函数值输入用于计算人脸属性识别网络损失的第三损失函数，得到第三损失函数值；根据所述第三损失函数值判断所述第三损失函数是否收敛；若所述第三损失函数不收敛，根据所述第三损失函数，对所述当前的网络参数进行梯度下降，得到梯度下降后的第二网络参数；将所述第二网络参数作为当前的网络参数，重新进行获取用于训练人脸属性识别网络的至少一个测试任务和至少一个训练任务的步骤；直至所述第三损失函数收敛，则判定所述人脸属性识别网络训练完成，得到训练好的人脸属性识别网络。
[0007]在本申请一些实施方案中，人脸属性识别网络包括：用于提取人脸特征的特征提取网络，以及用于通过提取的人脸特征识别人脸属性的分类网络。
[0008]在本申请一些实施方案中，根据所述第一损失函数和所述训练任务中的人脸图像
样本，对所述当前的网络参数进行梯度下降，得到所述训练任务对应的梯度下降后的第一网络参数，包括：根据所述第一损失函数和所述训练任务中的人脸图像样本，仅对所述当前的网络参数中的分类网络参数进行梯度下降，得到梯度下降后的第一网络参数。在通过训练任务进行梯度下降时，仅对分类网络参数梯度下降，能够加快人脸属性识别网络训练时的收敛速度。
[0009]在一些实施方案中，第三损失函数为：所述第一损失函数与所述第二损失函数加权求和；所述将所述第一损失函数值，以及所述第二损失函数值输入用于计算人脸属性识别网络损失的第三损失函数，得到第三损失函数值，包括：对所述第一损失函数值，以及所述第二损失函数值加权求和，得到第三函数值。
[0010]在一些实施方案中，人脸属性识别领域为：具有预设图像标准的人脸属性识别领域，具有不同光强范围的人脸属性识别领域，具有面部遮挡的人脸属性识别领域，或预设拍摄场景的人脸属性识别领域。
[0011]在一些实施方案中，在所述得到训练好的人脸属性识别网络后，所述方法还包括：获取目标人脸属性识别领域的人脸图像样本；通过所述目标人脸属性识别领域的人脸图像样本对所述训练好的人脸属性识别网络的网络参数进行调整，得到应用于目标人脸属性领域的训练好的人脸属性识别网络。
[0012]另一方面，本申请提供一种人脸属性识别方法，包括：通过人脸属性识别网络进行人脸属性识别；其中，所述人脸属性识别网络为：通过上述的人脸属性识别的训练方法得到的训练好的人脸属性识别网络。
[0013]另一方面，本申请提供一种人脸属性识别网络的训练装置，所述人脸属性识别网络的训练装置包括：参数获取模块，用于确定待训练的人脸属性识别网络当前的网络参数；任务获取模块，用于获取用于训练人脸属性识别网络的至少一个测试任务和至少一个训练任务；所述测试任务的人脸图像样本和所述训练任务的人脸图像样本所属人脸属性识别领域不同；元训练模块，用于通过用于计算训练任务损失的第一损失函数，以及所述当前的网络参数，得到所述训练任务的第一损失函数值；根据所述第一损失函数和所述训练任务中的人脸图像样本，对所述当前的网络参数进行梯度下降，得到所述训练任务对应的梯度下降后的第一网络参数；元测试模块，用于通过用于计算测试任务损失的第二损失函数和所述第一网络参数，得到所述测试任务对应的第二损失函数值；元优化模块，用于将所述第一损失函数值，以及所述第二损失函数值输入用于计算人脸属性识别网络损失的第三损失函数，得到第三损失函数值；根据所述第三损失函数值判断所述第三损失函数是否收敛；若所述第三损失函数不收敛，根据所述第三损失函数，对所述当前的网络参数进行梯度下降，得到梯度下降后的第二网络参数；将所述第二网络参数作为当前的网络参数，重新进行获取用于训练人脸属性识别网络的至少一个测试任务和至少一个训练任务的步骤，直至所述第三损失函数收敛，则判定所述人脸属性识别网络训练完成，得到训练好的人脸属性识别网络。
[0014]另一方面，本申请还提供一种计算机设备，所述计算机设备包括：一个或多个处理器；
存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现第一方面中任一项所述的人脸属性识别网络的训练方法或者实现第二方面的人脸属性识别方法。
[0015]第五方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行第一方面任一项所述的人脸属性识别网络的训练方法中的步骤，或者执行第二方面所述的人脸属性识别方法中的步骤。
[0016]本申请实施例在一轮训练（episode）中，将数据分为训练任务和测试任务，训练任务和测试任务来自不同的人脸属性识别领域，通过训练任务对当前的网络参数进行梯度下降，使得梯度下降的第一网络参数在训练域，即训练任务对应的人脸属性识别领域下能获得较好的人脸属性识别性能，通过梯度下降后的第一网络参数得到第二损失函数值，通过第一损失函数值和第二损失函数值得到第三损失函数值，即，第三损失函数能够反映训练任务以及测试任务的损失，因此，根据第三损失函数对当前网络参数进行梯度下降，能够得到训练任务和测试任务的损失在取得极小值情况下的网络参数，即，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种人脸属性识别网络的训练方法，其特征在于，所述人脸属性识别网络的训练方法包括：确定待训练的人脸属性识别网络当前的网络参数；获取用于训练人脸属性识别网络的至少一个测试任务和至少一个训练任务；所述测试任务的人脸图像样本和所述训练任务的人脸图像样本所属人脸属性识别领域不同；通过用于计算训练任务损失的第一损失函数，以及所述当前的网络参数，得到所述训练任务的第一损失函数值；根据所述第一损失函数和所述训练任务中的人脸图像样本，对所述当前的网络参数进行梯度下降，得到所述训练任务对应的梯度下降后的第一网络参数；通过用于计算测试任务损失的第二损失函数和所述第一网络参数，得到所述测试任务对应的第二损失函数值；将所述第一损失函数值，以及所述第二损失函数值输入用于计算人脸属性识别网络损失的第三损失函数，得到第三损失函数值；根据所述第三损失函数值判断所述第三损失函数是否收敛；若所述第三损失函数不收敛，根据所述第三损失函数，对所述当前的网络参数进行梯度下降，得到梯度下降后的第二网络参数；将所述第二网络参数作为当前的网络参数，重新进行获取用于训练人脸属性识别网络的至少一个测试任务和至少一个训练任务的步骤，直至所述第三损失函数收敛，则判定所述人脸属性识别网络训练完成，得到训练好的人脸属性识别网络。2.根据权利要求1所述的人脸属性识别网络的训练方法，其特征在于，所述人脸属性识别网络包括：用于提取人脸特征的特征提取网络，以及用于通过提取的人脸特征识别人脸属性的分类网络。3.根据权利要求2所述的人脸属性识别网络的训练方法，其特征在于，所述根据所述第一损失函数和所述训练任务中的人脸图像样本，对所述当前的网络参数进行梯度下降，得到所述训练任务对应的梯度下降后的第一网络参数，包括：根据所述第一损失函数和所述训练任务中的人脸图像样本，仅对所述当前的网络参数中的分类网络参数进行梯度下降，得到梯度下降后的第一网络参数。4.根据权利要求1所述的人脸属性识别网络的训练方法，其特征在于，所述第三损失函数为：所述第一损失函数与所述第二损失函数加权求和；所述将所述第一损失函数值，以及所述第二损失函数值输入用于计算人脸属性识别网络损失的第三损失函数，得到第三损失函数值，包括：对所述第一损失函数值，以及所述第二损失函数值加权求和，得到第三函数值。5.根据权利要求1所述的人脸属性识别网络的训练方法，其特征在于，所述人脸属性识别领域为：具有预设图像标准的人脸属性识别领域，具有不同光强范围的人脸属性识别领域，具有面部遮挡的人脸属性识别领域，或预设拍摄场景的人脸属性识别领域。6...
【专利技术属性】
技术研发人员：张诗，谭军胜，何正威，朱博，
申请(专利权)人：武汉中科通达高新技术股份有限公司，
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。