一种模型训练的方法、装置、电子设备及存储介质制造方法及图纸

本公开提供了一种模型训练的方法、装置、电子设备及存储介质，涉及人工智能技术领域，进一步涉及深度学习、图像处理、计算机视觉技术领域，以至少解决相关技术中活体识别模型的识别准确率低的技术问题。具体实现方案为：获取样本图像和样本图像对应的标识信息，其中，标识信息用于表示样本图像中是否存在活体人脸；基于样本图像和标识信息，构建第一组训练数据；对第一组训练数据进行重配置，得到第二组训练数据；基于第一组训练数据和第二组训练数据对初始神经网络模型进行训练，得到目标神经网络模型。经网络模型。经网络模型。

A method, device, electronic equipment and storage medium for model training

【技术实现步骤摘要】
一种模型训练的方法、装置、电子设备及存储介质


[0001]本公开涉及人工智能
，尤其涉及一种模型训练的方法、装置、电子设备及存储介质。

技术介绍

[0002]近几年，随着深度学习的发展，人脸识别的速度和精度也随之有了很大的进步，目前人脸识别已经广泛用于日常生活的认证中。活体识别是人脸验证中非常重要的一部分，假体攻击方式的类型和数量层出不穷，某种程度上危害了社会秩序，因此拒绝假体攻击是非常有必要的，但现有技术中的部分活体识别模型，可能会学习到人脸的ID信息，这就导致了活体识别模型的识别准确率低。

技术实现思路

[0003]本公开提供了一种模型训练的方法、装置、电子设备及存储介质，以至少解决相关技术中活体识别模型的识别准确率低的技术问题。
[0004]根据本公开的一方面，提供了一种模型训练的方法，包括：获取样本图像和样本图像对应的标识信息，其中，标识信息用于表示样本图像中是否存在活体人脸；基于样本图像和标识信息，构建第一组训练数据；对第一组训练数据进行重配置，得到第二组训练数据；基于第一组训练数据和第二组训练数据对初始本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练的方法，包括：获取样本图像和所述样本图像对应的标识信息，其中，所述标识信息用于表示所述样本图像中是否存在活体人脸；基于所述样本图像和所述标识信息，构建第一组训练数据；对所述第一组训练数据进行重配置，得到第二组训练数据；基于所述第一组训练数据和所述第二组训练数据对初始神经网络模型进行训练，得到目标神经网络模型。2.根据权利要求1所述的方法，其中，基于所述样本图像和所述标识信息，构建第一组训练数据，包括：基于目标关键点对所述样本图像进行截取，得到第一人脸图像；基于所述第一人脸图像和所述标识信息构建所述第一组训练数据。3.根据权利要求2所述的方法，其中，所述第二组训练数据包括：第三组训练数据，对所述第一组训练数据进行重配置，得到第二组训练数据，包括：基于所述标识信息对所述第一人脸图像进行筛选，得到第二人脸图像，其中，所述第二人脸图像中不存在所述活体人脸；截取所述第二人脸图像的第一区域，得到第三人脸图像；基于所述第三人脸图像和所述标识信息构建所述第三组训练数据。4.根据权利要求3所述的方法，其中，截取所述第二人脸图像的第一区域，得到第三人脸图像，包括：确定所述第二人脸图像的攻击类型，其中，所述攻击类型用于表示所述第二人脸图像伪造所述活体人脸的方式；基于所述攻击类型截取所述第二人脸图像的所述第一区域，得到所述第三人脸图像。5.根据权利要求2所述的方法，其中，所述第二组训练数据包括：第四组训练数据，对所述第一组训练数据进行重配置，得到第二组训练数据，包括：对所述第一人脸图像进行分块处理，得到多个图像块；对所述多个图像块进行重组，得到第四人脸图像；基于所述第四人脸图像和所述标识信息构建所述第四组训练数据。6.根据权利要求3所述的方法，其中，基于所述第一组训练数据和所述第二组训练数据对初始神经网络模型进行训练，得到所述目标神经网络模型，包括：基于所述第一组训练数据和所述第三组训练数据对所述初始神经网...

【专利技术属性】
技术研发人员：刘聪毅，
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：