一种基于样本级对比学习的人脸识别方法技术

本发明专利技术公开了一种基于样本级对比学习的人脸识别方法，其特点是该方法具体包括：获取公开人脸数据集；对数据集进行处理，将人脸部分进行裁剪；设计一种联合样本级对比损失和分类损失的训练框架；设计一种针对性样本级对比损失函数；组合框架中的特征提取网络，分类损失和对比损失，并训练至收敛等步骤。本发明专利技术与现有技术相比具有在需要高质量数据集的人脸识别任务上联合了样本级对比损失和分类损失，通过对比损失增大了不同图像特征之间的距离，这种在高维空间中的区分度提升有助于模型在识别任务中获得更好的表现。设计的损失增强了对比监督的效果，又避免了对比和分类损失之间的监督信号干扰，最终实现了准确的人脸识别效果。果。果。

【技术实现步骤摘要】
一种基于样本级对比学习的人脸识别方法


[0001]本专利技术涉及人脸识别
，尤其涉及一种基于样本级对比学习的人脸识别方法。

技术介绍

[0002]人脸识别结果对于安防有着非常重要的作用，通过人脸识别算法可以快速地验证人物与目标是否匹配，或将目标人脸特征与数据库中已有人脸特征进行比对，从而鉴定人物身份。人脸识别任务往往要求模型可以做到开放数据集测试，即对训练数据以外的人物面部图像进行人脸验证和人脸检索。其中人脸验证要求判断两张图像是否属于同一人物，人脸检索要求在大量备选图像中识别出与给定图像所属同一人物的图像。对于人脸识别任务，现有技术主要有两类：一是基于类别级对比学习的方法，与解决问题时的处理过程类似，依靠人脸类别构建成对的人脸图像组合进行关系优化，但训练时没有充分利用不同人物之间的区分度，识别的准确率有可提升的空间；二是基于分类的方法，对独立人脸图片的类别判断进行优化，但与问题解决的处理过程不匹配，模型表现由于任务上的区别而出现下滑。这两种方法的联合使用曾出现于深度学习的早期发展过程中，但随着分类损失的研究加深，联合使用两者的表现未能超本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于样本级对比学习的人脸识别方法，其特征在于，该方法采用联合样本级对比损失和分类损失的训练框架，利用组合框架中的特征提取网络进行分类损失和对比损失，并训练至收敛，具体人脸识别包括下述步骤：步骤S1：人脸数据集的获取下载公开的人脸数据集，并避免训练集和测试集中的图像人物交叉，以实现开放数据集测试；步骤S2：数据集的处理对训练集和测试集的每张图片进行人脸检测并定位，将人脸图像部分裁剪，然后进行标准化处理；步骤S3：训练框架的设计设计一种联合样本级对比损失和分类损失的人脸识别模型训练框架，使用随机丢弃进行特征上的增强；步骤S4：对比损失函数的设计设计一种用于辅助分类损失的样本级对比学习损失函数L
contra
，使对比损失在训练过程中促进不同人物的图像产生更大的区分，且能够避免与有监督的分类损失产生冲突；步骤S5：组合框架的训练使用ResNet
‑
100作为特征提取网络与ArcFace作为分类损失函数L
ArcFace
和步骤S4设计的样本级对比学习损失函数L
contra
组合的训练框架进行训练至收敛，实现准确的人脸识别效果，所述训练的初始阶段使用单个图像特征进行分类学习，并对特征进行随机丢弃，在训练的中后期，使用两次随机丢弃，并加入步骤S4设计的样本级对比学习损失函数，同时使用两个图像特征进行分类学习。2.根据权利要求1所述的基于样本级对比学习的人脸识别方法，其特征在于，所述数据集处理使用MTCNN进行人脸关键点检测定位，根据关键点对各个图像人脸位置进行裁剪，并将每个RGB像素减去127.5，然后除以128进行归一化处理。3.根据权利要求1所述的基于样本级对比学习的人脸识别方法，其特征在于，所述步骤S3中随机丢弃进行特征上的增强是对用于提取特征的躯干网络f的结果进行两次随机丢弃操作，对随机丢弃的结果σ(f(x
i
))使用投影层g进行投影，对一个批次B中的第i个图像，得到两个有所区别但语义相同的特征向量副本分别记为h
i
和h
i+B
，对其分别使用分类损失模块L
class
进行约束，并对该组合使用下述(a)式表示的两种损失模块对比损失模块L
contra
进行约束：其中，L为框架在一个批次上的平均损失；λ为对比损失的加权；L
contra
为对比损失，在小批...

【专利技术属性】
技术研发人员：王峰，宋有哲，孙仕亮，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：