门控式年龄预测方法、模型训练方法、设备和介质技术

本发明专利技术公开了一种门控式年龄预测方法、模型训练方法、设备和介质，包括：先提取N个不同实际年龄的基础特征向量，再通过门控式网络对这N个不同实际年龄的基础特征向量进行区分。而每一分支与一个单独的年龄预测单元连接，该年龄预测单元可进行年龄预测以得到预测年龄。接着计算总损失值，并基于预设调整策略通过迭代调参让总损失值不断减小直至收敛。该预设调整策略为令N个不同实际年龄和N个预测年龄之间的差异减小，且N个不同实际年龄的基础特征向量之间的差异增大，因此随着训练的推进，在关注自身年龄特征向量的同时，又将N个不同实际年龄的基础特征向量进行区别，这进一步提升年龄预测的泛化能力，进而提升年龄预测的准确度。度。度。

【技术实现步骤摘要】
门控式年龄预测方法、模型训练方法、设备和介质


[0001]本专利技术涉及人工智能
，尤其是涉及一种门控式年龄预测方法、模型训练方法、设备和介质。

技术介绍

[0002]年龄是人脸图像中一项很重要的特征信息，在人脸识别领域有广泛的应用。不同人在相同的年龄阶段，会存在一些相似的特征，因此现有的技术中，通常将年龄作为一个单独的标签信息，在模型训练的过程中，将多张训练人脸图像建立起与年龄一一对应的关系，并进行训练。
[0003]然而每一个人的人脸特征具有唯一性，导致训练好的年龄预测模型在测试的过程中，每测试一张新的人脸图像时，该新的人脸图像相对于模型来说都是新的一类图像，而模型本身只是学习了训练人脸图像的类别，要想足够准确识别出新的人脸图像的年龄，模型是需要重新进行训练才能识别的，因此训练好的模型很难适应这种具有唯一性的特征，从而导致实际应用时可能出现准确度偏低的问题。

技术实现思路

[0004]基于此，有必要提供门控式年龄预测方法、模型训练方法、设备和介质，以解决年龄预测场景下泛化性较低的问题。
[0005]一种门控式年龄预测模型的训练方法，所述门控式年龄预测模型包括依次连接的基础特征提取网络、门控式网络和年龄预测网络，所述门控式网络包括N个分支，所述年龄预测网络包括N个年龄预测单元，一个分支与一个年龄预测单元连接，N为预设年龄段内所有年龄的数量；
[0006]所述方法包括：
[0007]获取带有年龄标签的多张人脸训练图像；其中，年龄标签用于指示人脸训练图像中人脸的实际年龄，多张人脸训练图像覆盖预设年龄段内的所有年龄；
[0008]将N张不同实际年龄的人脸训练图像分别输入所述基础特征提取网络，获取所述基础特征提取网络输出的N个不同实际年龄的基础特征向量；
[0009]将N个不同实际年龄的基础特征向量输入所述门控式网络，获取所述门控式网络在目标分支输出的目标年龄的基础特征向量；其中，所述目标分支为N个分支中的任意一个分支，一个分支输出一个基础特征向量，不同分支在训练时输出不同预设年龄的基础特征向量；
[0010]将目标年龄的基础特征向量输入所述年龄预测网络中的目标年龄预测单元，获取所述目标年龄预测单元输出的目标预测年龄，以得到N个预测年龄；其中，所述目标年龄预测单元与所述目标分支连接；
[0011]通过预设的损失函数，根据N个不同实际年龄、N个预测年龄和N个不同实际年龄的基础特征向量之间的差异大小计算总损失值，根据所述总损失值和预设调整策略调整所述
门控式年龄预测模型的参数，返回执行所述将N张不同实际年龄的人脸训练图像分别输入所述基础特征提取网络，获取所述基础特征提取网络输出的N个不同实际年龄的基础特征向量的步骤，直至所述门控式年龄预测模型收敛；其中，所述预设调整策略为令N个不同实际年龄和N个预测年龄之间的差异减小，且N个不同实际年龄的基础特征向量之间的差异增大。
[0012]在其中一个实施例中，所述预设的损失函数包括年龄差损失函数和对比交叉损失函数，所述通过预设的损失函数，根据N个不同实际年龄、N个预测年龄和N个不同实际年龄的基础特征向量之间的差异大小计算总损失值，包括：
[0013]通过所述年龄差损失函数，根据N个不同实际年龄和N个预测年龄计算年龄损失值；其中，所述年龄损失值的大小与N个不同实际年龄和N个预测年龄之间的差异大小成正相关；
[0014]通过对比交叉损失函数，根据N个不同实际年龄的基础特征向量之间的差异大小计算对比交叉损失值；其中，所述对比交叉损失值的大小与N个不同实际年龄的基础特征向量之间的差异大小成负相关；
[0015]将所述年龄损失值与所述对比交叉损失值之间的和作为所述总损失值。
[0016]在其中一个实施例中，所述基础特征提取网络包括依次连接的I个基础特征提取单元和全连接层，所述将N张不同实际年龄的人脸训练图像分别输入所述基础特征提取网络，获取所述基础特征提取网络输出的N个不同实际年龄的基础特征向量，包括：
[0017]将第(i
‑
1)层特征图输入至所述基础特征提取网络中的第i个基础特征提取单元，得到第i层特征图；其中，1≤i≤I，当i＝1时，第(i
‑
1)层特征图为目标人脸训练图像，所述目标人脸训练图像为N张不同实际年龄的人脸训练图像中的任意一张图像；
[0018]通过全连接层将输出的第I层特征图转换为所述目标人脸训练图像的基础特征向量并输出，以得到N个不同实际年龄的基础特征向量。
[0019]在其中一个实施例中，一个分支包含一个门控式开关和一个分支序号，一个分支的分支序号为N个不同实际年龄中的任意一个，不同分支的分支序号不同，基础特征向量携带有年龄标签，用于指示基础特征向量的实际年龄，所述将N个不同实际年龄的基础特征向量输入所述门控式网络，获取所述门控式网络在目标分支输出的目标年龄的基础特征向量，包括：
[0020]当一个基础特征向量输入所述目标分支时，判断当前输入的基础特征向量的实际年龄是否与所述目标分支的分支序号相同；
[0021]若当前输入的基础特征向量的实际年龄与所述目标分支的分支序号不相同，则控制所述目标分支的门控式开关关闭；
[0022]若当前输入的基础特征向量的实际年龄与所述目标分支的分支序号相同，则控制所述目标分支的门控式开关开启，并将当前输入的基础特征向量作为目标年龄的基础特征向量输出。
[0023]在其中一个实施例中，所述年龄预测单元包括依次连接的输入层、多层隐藏层和输出层，所述将目标年龄的基础特征向量输入所述年龄预测网络中的目标年龄预测单元，获取所述目标年龄预测单元输出的目标预测年龄，包括：
[0024]将目标年龄的基础特征向量输入所述目标年龄预测单元的输入层，获取输出的初
始特征向量；
[0025]将第(i
‑
1)个特征向量输入第i个隐藏层，得到第i特征向量；其中，1≤i≤h，h为隐藏层的数量，当i＝1时，第(i
‑
1)个特征向量为所述初始特征向量；
[0026]通过所述输出层内的激活函数将第h个特征向量转换为所述目标预测年龄并输出。
[0027]在其中一个实施例中，所述获取带有年龄标签的多张人脸训练图像之后，还包括：
[0028]对多张人脸训练图像内的人脸旋转，直至不同人脸训练图像内的人脸角度一致；
[0029]对多张人脸训练图像的亮度进行调整，直至不同人脸训练图像的亮度一致；
[0030]将多张人脸训练图像的大小归一化至预设尺寸。
[0031]在其中一个实施例中，所述根据所述总损失值和预设调整策略调整所述门控式年龄预测模型的参数，包括：
[0032]基于自适应矩阵估计算法，根据所述总损失值和预设调整策略调整所述门控式年龄预测模型的参数。
[0033]一种门控式年龄预测方法，应用于上述门控式年龄预测模型，所述方法包括：
[0034]获取待检测人脸图像，将所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种门控式年龄预测模型的训练方法，其特征在于，所述门控式年龄预测模型包括依次连接的基础特征提取网络、门控式网络和年龄预测网络，所述门控式网络包括N个分支，所述年龄预测网络包括N个年龄预测单元，一个分支与一个年龄预测单元连接，N为预设年龄段内所有年龄的数量；所述方法包括：获取带有年龄标签的多张人脸训练图像；其中，年龄标签用于指示人脸训练图像中人脸的实际年龄，多张人脸训练图像覆盖预设年龄段内的所有年龄；将N张不同实际年龄的人脸训练图像分别输入所述基础特征提取网络，获取所述基础特征提取网络输出的N个不同实际年龄的基础特征向量；将N个不同实际年龄的基础特征向量输入所述门控式网络，获取所述门控式网络在目标分支输出的目标年龄的基础特征向量；其中，所述目标分支为N个分支中的任意一个分支，一个分支输出一个基础特征向量，不同分支在训练时输出不同预设年龄的基础特征向量；将目标年龄的基础特征向量输入所述年龄预测网络中的目标年龄预测单元，获取所述目标年龄预测单元输出的目标预测年龄，以得到N个预测年龄；其中，所述目标年龄预测单元与所述目标分支连接；通过预设的损失函数，根据N个不同实际年龄、N个预测年龄和N个不同实际年龄的基础特征向量之间的差异大小计算总损失值，根据所述总损失值和预设调整策略调整所述门控式年龄预测模型的参数，返回执行所述将N张不同实际年龄的人脸训练图像分别输入所述基础特征提取网络，获取所述基础特征提取网络输出的N个不同实际年龄的基础特征向量的步骤，直至所述门控式年龄预测模型收敛；其中，所述预设调整策略为令N个不同实际年龄和N个预测年龄之间的差异减小，且N个不同实际年龄的基础特征向量之间的差异增大。2.根据权利要求1所述的方法，其特征在于，所述预设的损失函数包括年龄差损失函数和对比交叉损失函数，所述通过预设的损失函数，根据N个不同实际年龄、N个预测年龄和N个不同实际年龄的基础特征向量之间的差异大小计算总损失值，包括：通过所述年龄差损失函数，根据N个不同实际年龄和N个预测年龄计算年龄损失值；其中，所述年龄损失值的大小与N个不同实际年龄和N个预测年龄之间的差异大小成正相关；通过对比交叉损失函数，根据N个不同实际年龄的基础特征向量之间的差异大小计算对比交叉损失值；其中，所述对比交叉损失值的大小与N个不同实际年龄的基础特征向量之间的差异大小成负相关；将所述年龄损失值与所述对比交叉损失值之间的和作为所述总损失值。3.根据权利要求1所述的方法，其特征在于，所述基础特征提取网络包括依次连接的I个基础特征提取单元和全连接层，所述将N张不同实际年龄的人脸训练图像分别输入所述基础特征提取网络，获取所述基础特征提取网络输出的N个不同实际年龄的基础特征向量，包括：将第(i
‑
1)层特征图输入至所述基础特征提取网络中的第i个基础特征提取单元，得到第i层特征图；其中，1≤i≤I，当i＝1时，第(i
‑
1)层特征图为目标人脸训练图像，所述目标人脸训练图像为N张不同实际年龄的人脸训练图像中的任意一张图像；通过全连接层将输出的第I层特征图转换为所述目标人脸训练图像的基础特征向量并
输出，以得到N个不同实际年龄的基础特征向量。4.根据权利要求1所述的方法，其特征在于，一个分支包含一个门控式开关和一个分支序号，一个分支的分支序号为N个不...

【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：