针对难例样本的人脸识别模型的训练方法及装置制造方法及图纸

本公开涉及人脸识别技术领域，提供了一种针对难例样本的人脸识别模型的训练方法及装置。该方法包括：获取人脸训练集，并利用人脸训练集对人脸识别模型进行第一次训练；利用第一次训练后的人脸识别模型，计算人脸训练集中每个样本对应的有偏中心度；在人脸识别模型的第四阶段网络处构建一个与第四阶段网络并行的中心度网络；利用构建中心度网络后的人脸识别模型确定每个样本对应的预测中心度；依据每个样本对应的有偏中心度和预测中心度更新人脸识别模型的损失函数；利用人脸训练集对更新损失函数后的人脸识别模型进行第二次训练。采用上述技术手段，解决现有技术中，人脸识别模型的损失函数缺乏对难例样本的有效挖掘的问题。的损失函数缺乏对难例样本的有效挖掘的问题。的损失函数缺乏对难例样本的有效挖掘的问题。

【技术实现步骤摘要】
针对难例样本的人脸识别模型的训练方法及装置


[0001]本公开涉及人脸识别
，尤其涉及一种针对难例样本的人脸识别模型的训练方法及装置。

技术介绍

[0002]现有人脸识别模型的损失函数缺乏对难例样本的有效挖掘。现有针对难例样本的模型训练方法，基本是一种对难例样本进行固定加权的方法，该方法缺乏对高质量图像的关注，会导致最终训练得到的模型精度低的问题。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下技术问题：人脸识别模型的损失函数缺乏对难例样本的有效挖掘，导致最终训练得到的模型的精度低的问题。

技术实现思路

[0004]有鉴于此，本公开实施例提供了一种针对难例样本的人脸识别模型的训练方法、、装置、电子设备及计算机可读存储介质，以解决现有技术中，人脸识别模型的损失函数缺乏对难例样本的有效挖掘，导致最终训练得到的模型的精度低的问题。
[0005]本公开实施例的第一方面，提供了一种针对难例样本的人脸识别模型的训练方法，包括：获取人脸训练集，并利用人脸训练集对人脸识别模型进行第一次训练；利用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对难例样本的人脸识别模型的训练方法，其特征在于，包括：获取人脸训练集，并利用人脸训练集对人脸识别模型进行第一次训练；利用第一次训练后的人脸识别模型，计算人脸训练集中每个样本对应的有偏中心度；在人脸识别模型的第四阶段网络处构建一个与第四阶段网络并行的中心度网络；利用构建中心度网络后的人脸识别模型确定每个样本对应的预测中心度；依据每个样本对应的有偏中心度和预测中心度更新人脸识别模型的损失函数；利用人脸训练集对更新损失函数后的人脸识别模型进行第二次训练。2.根据权利要求1的方法，其特征在于，利用第一次训练后的人脸识别模型，计算人脸训练集中每个样本对应的有偏中心度，包括：利用第一次训练后的人脸识别模型提取每个样本的样本特征；计算每个类中心的所有样本的样本特征的加和值，将该加和值作为该类中心的中心特征；计算每个样本的样本特征与该样本所属类中心的中心特征之间的内积值，将该内积值作为该样本对应的第一评估值；计算每个样本的样本特征与非该样本所属类中心的多个中心特征之间的内积值的平均值，将该平均值作为该样本对应的第二评估值；依据每个样本对应的第一评估值和第二评估值，确定每个样本对应的有偏中心度。3.根据权利要求1的方法，其特征在于，在人脸识别模型的第四阶段网络处构建一个与第四阶段网络并行的中心度预测网络，包括：第四阶段网络包括四个主模块，并行网络包括四个分模块，第四阶段网络的第一个主模块的输出合并到并行网络的第一个分模块的输出上，第四阶段网络的第二个主模块的输出合并到并行网络的第二个分模块的输出上；主模块包括多个第一预设大小的卷积核和预设数量的通道数的卷积网络，每两个相邻卷积网络之间存在归一化函数和第一激活函数；分模块包括多个第一预设大小的卷积核、预设数量的通道数和预设组数的分组卷积网络，每个分组卷积网络后接归一化函数、第一激活函数、多个第二预设大小的卷积核和预设数量的通道数的卷积网络以及第二激活函数。4.根据权利要求1的方法，其特征在于，利用构建中心度网络后的人脸识别模型确定每个样本对应的预测中心度，包括：将每个样本输入构建中心度网络后的人脸识别模型...

【专利技术属性】
技术研发人员：黄泽元，
申请(专利权)人：深圳须弥云图空间科技有限公司，
类型：发明
国别省市：