人脸识别方法及装置制造方法及图纸

本公开涉及计算机技术领域，提供了一种人脸识别方法及装置。该方法包括：获取待识别人脸图像的第一特征图；对第一特征图进行逐深度卷积处理，得到第二特征图；对第二特征图进行注意力流转处理，得到第三特征图；对第三特征图依次进行增加通道的卷积处理、注意力流转处理、减少通道的卷积处理和注意力流转处理，得到第一特征图对应的目标特征图。到第一特征图对应的目标特征图。到第一特征图对应的目标特征图。

【技术实现步骤摘要】
人脸识别方法及装置


[0001]本公开涉及计算机
，尤其涉及一种人脸识别方法及装置。

技术介绍

[0002]人脸技术在实际应用过程中经常需要部署到云端及边缘端，受限于嵌入式终端等边缘端的算力与存储资源，边缘端人脸识别模型需要满足高精度要求的同时，满足模型尺寸小、计算复杂度低、推理速度快等要求。
[0003]相关技术中，可以实现人脸识别任务的常见的轻量化网络有SqueezeNet、MobileNet、ShuffleNet等，由于人脸结构的特殊性，这些模型在人脸识别任务上精度欠佳。专门针对人脸识别任务设计的移动端轻量网络MobileFaceNet基于MobileNet采用了更小的扩张率，将全局平均池化层用全局逐深度卷积层替代。但MobileFaceNet的主要构建模块还是采用常见的残差瓶颈模块，每个模块的计算也是相同的，从而同样具有精度欠佳的问题。

技术实现思路

[0004]有鉴于此，本公开实施例提供了一种人脸识别方法、装置、电子设备及计算机可读存储介质，以解决现有技术中人脸识别模型精度欠佳的问题。
[0005本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸识别方法，其特征在于，所述方法包括：获取待识别人脸图像的第一特征图；对所述第一特征图进行逐深度卷积处理，得到第二特征图；对所述第二特征图进行注意力流转处理，得到第三特征图；对第三特征图依次进行增加通道的卷积处理、所述注意力流转处理、减少通道的卷积处理和所述注意力流转处理，得到第一特征图对应的目标特征图。2.根据权利要求1所述的方法，其特征在于，所述注意力流转处理包括：对输入特征图的第一维度和第二维度进行拉平处理，得到第一中间特征图；根据所述第一中间特征图和第一可学习参数矩阵获取第二中间特征图；根据所述第二中间特征图和所述输入特征图的乘积获取空间注意力特征图；根据第二可学习参数矩阵、第三可学习参数矩阵和所述空间注意力特征图获取通道注意力特征图，其中，所述第二可学习参数矩阵的第一个维度等于所述第三可学习参数矩阵的第二个维度，所述第三可学习参数矩阵的第一个维度等于所述第二可学习参数矩阵的第二个维度；根据所述空间注意力特征图和所述通道注意力特征图获取注意力流转特征图。3.根据权利要求2所述的方法，其特征在于，根据所述空间注意力特征图和所述通道注意力特征图获取注意力流转特征图，包括：对所述空间注意力特征图进行非线性映射处理，得到第三中间特征图；根据所述第三中间特征图和所述通道注意力特征图的乘积得到第四中间特征图；对所述第四中间特征图进行所述非线性映射处理，得到所述注意力流转特征图。4.根据权利要求2所述的方法，其特征在于，根据所述第一中间特征图和第一可学习参数矩阵获取第二中间特征图，包括：获取所述第一中间特征图与其逻辑回归函数值的第一乘积；根据所述第一乘积的均值获取所述第二中间特征图。5.根据权利要求2所述的方法，其特征在于...

【专利技术属性】
技术研发人员：王夏洪，
申请(专利权)人：北京龙智数科科技服务有限公司，
类型：发明
国别省市：