本发明专利技术涉及人工智能技术领域，提供一种人脸属性分类方法、装置、电子设备和存储介质。通过获取包含人脸的待处理图像，并利用预先训练的神经网络模型对待处理图像进行人脸属性分类，得到待处理图像的人脸属性分类结果；其中，神经网络模型是利用基础神经网络模型对多个人脸图像样本进行多轮学习，并在每轮学习过程中按照预设稀疏化指标对基础神经网络模型进行参数稀疏化得到的。通过在每轮学习过程中对模型进行参数稀疏化，以逐步减小参数的数值直至为零。可以在实现模型参数稀疏化的同时还能够确保模型具有良好的稳定性，从而不仅提高了模型分类处理的效率，也保证了模型分类结果的准确性，提升了分类效果。提升了分类效果。提升了分类效果。
【技术实现步骤摘要】
人脸属性分类方法、装置、电子设备和存储介质
[0001]本专利技术涉及人工智能
，具体而言，涉及一种人脸属性分类方法、装置、电子设备和存储介质。
技术介绍
[0002]近年来神经网络模型广泛应用于目标识别、语音识别、图像分类如人脸属性分类等。由于神经网络模型中运算单元的数量增大其运算的复杂程度就越大，那么对运算设备的内存和带宽消耗也就更高，所以通常会对神经网络模型进行压缩和参数稀疏化。
[0003]虽然目前有采用张量分解、数据量化、网络剪枝等方式来对模型的参数进行稀疏化处理，但是这些方式通常是将参数强制置零，所以会导致模型的指标波动大且稳定性差，从而导致分类的准确度低、影响分类效果。
技术实现思路
[0004]有鉴于此，本专利技术的目的在于提供一种人脸属性分类方法、装置、电子设备和存储介质。
[0005]为了实现上述目的，本专利技术实施例采用的技术方案如下：
[0006]第一方面，本专利技术提供一种人脸属性分类方法，所述方法包括：
[0007]获取包含人脸的待处理图像；
[0008]利用预先训练的神经网络模型对所述待处理图像进行人脸属性分类，得到所述待处理图像的人脸属性分类结果；
[0009]其中，所述神经网络模型是利用基础神经网络模型对多个人脸图像样本进行多轮学习，并在每轮学习过程中按照预设稀疏化指标对所述基础神经网络模型进行参数稀疏化得到的。
[0010]在可选的实施方式中，每轮学习均包括预设次迭代训练，所述预设稀疏化指标包括预设稀疏化频率；
[0011]所述在每轮学习过程中按照预设稀疏化指标对所述基础神经网络模型进行参数稀疏化是按照以下方式实现的：
[0012]对于每轮学习过程中的每次迭代训练，在当次迭代训练后判断当前迭代次数是否为所述预设稀疏化频率对应的次数；
[0013]若是，则对所述基础神经网络模型进行参数稀疏化，并进行下一次迭代训练直至完成预设次迭代训练；
[0014]若否，则进行下一次迭代训练直至完成预设次迭代训练。
[0015]在可选的实施方式中，所述在当次迭代训练后判断当前迭代次数是否为所述预设稀疏化频率对应的次数，包括：
[0016]在当次迭代训练后，计算所述当前迭代次数与本轮学习中迭代训练的总次数的商值；
[0017]判断所述商值是否为所述预设稀疏化频率的整数倍；
[0018]若是，则判定所述当前迭代次数是所述预设稀疏化频率对应的次数；
[0019]若否，则判定所述当前迭代次数非所述预设稀疏化频率对应的次数。
[0020]在可选的实施方式中，所述基础神经网络模型包括多个网络层，所述预设稀疏化指标还包括预设稀疏化比例；
[0021]所述对所述基础神经网络模型进行参数稀疏化，包括：
[0022]计算每个所述网络层的当前稀疏化比例；
[0023]获取所述当前稀疏化比例小于所述预设稀疏化比例的每个待稀疏化网络层；
[0024]对每个所述待稀疏化网络层进行参数稀疏化。
[0025]在可选的实施方式中，所述网络层包括多个通道，每个所述通道均有参数；
[0026]所述计算每个所述网络层的当前稀疏化比例，包括：
[0027]将任意一个所述网络层作为待处理网络层；
[0028]获取所述待处理网络层中每个通道的参数的值，得到每个参数值；
[0029]统计全部参数值中小于预设阈值的参数值的个数，得到目标数；
[0030]计算所述目标数与全部参数值的总数的比值，得到所述待处理网络层的当前稀疏化比例；
[0031]遍历每个所述网络层，得到每个所述网络层的当前稀疏化比例。
[0032]在可选的实施方式中，所述网络层包括多个通道，每个所述通道均有参数；
[0033]所述对每个所述待稀疏化网络层进行参数稀疏化，包括：
[0034]将任意一个所述待稀疏化网络层作为目标网络层；
[0035]获取所述目标网络层中每个通道的参数的绝对值，得到每个参数绝对值；
[0036]从全部参数绝对值中获取最小的N个参数绝对值，得到每个目标参数绝对值；N为全部参数绝对值的个数与所述预设稀疏化比例的乘积；
[0037]将每个所述目标参数绝对值所对应的通道作为每个目标通道，并对每个所述目标通道进行参数稀疏化，以完成所述目标网络层的参数稀疏化；
[0038]遍历每个所述待稀疏化网络层，以完成每个所述待稀疏化网络层的参数稀疏化。
[0039]在可选的实施方式中，所述预设稀疏化指标还包括预设梯度阈值；
[0040]所述对每个所述目标通道进行参数稀疏化，包括：
[0041]获取每个所述目标通道的梯度值；
[0042]对于每个所述目标通道，若所述目标通道的梯度值小于所述预设梯度阈值，则将所述目标通道的参数的值更新为所述目标通道对应的目标参数绝对值与预设系数的乘积，以完成每个所述目标通道的参数稀疏化；所述预设系数小于1。
[0043]第二方面，本专利技术提供一种人脸属性分类装置，所述装置包括：
[0044]获取模块，用于获取包含人脸的待处理图像；
[0045]分类模块，用于利用预先训练的神经网络模型对所述待处理图像进行人脸属性分类，得到所述待处理图像的人脸属性分类结果；
[0046]其中，所述神经网络模型是利用基础神经网络模型对多个人脸图像样本进行多轮学习，并在每轮学习过程中按照预设稀疏化指标对所述基础神经网络模型进行参数稀疏化得到的。
[0047]第三方面，本专利技术提供一种电子设备，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现前述实施方式中任一项所述的方法。
[0048]第四方面，本专利技术提供一种存储介质，所述存储介质上存储有计算机程序，该计算机程序被处理器执行时，实现前述实施方式中任一项所述的方法。
[0049]本专利技术实施例提供的人脸属性分类方法、装置、电子设备和存储介质，通过获取包含人脸的待处理图像，并利用预先训练的神经网络模型对待处理图像进行人脸属性分类，得到待处理图像的人脸属性分类结果；其中，神经网络模型是利用基础神经网络模型对多个人脸图像样本进行多轮学习，并在每轮学习过程中按照预设稀疏化指标对基础神经网络模型进行参数稀疏化得到的。通过在每轮学习过程中对模型进行参数稀疏化，以逐步减小参数的数值直至为零。可以在实现模型参数稀疏化的同时还能够确保模型具有良好的稳定性，从而不仅提高了模型分类处理的效率，也保证了模型分类结果的准确性，提升了分类效果。
[0050]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0051]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种人脸属性分类方法，其特征在于，所述方法包括：获取包含人脸的待处理图像；利用预先训练的神经网络模型对所述待处理图像进行人脸属性分类，得到所述待处理图像的人脸属性分类结果；其中，所述神经网络模型是利用基础神经网络模型对多个人脸图像样本进行多轮学习，并在每轮学习过程中按照预设稀疏化指标对所述基础神经网络模型进行参数稀疏化得到的。2.根据权利要求1所述的方法，其特征在于，每轮学习均包括预设次迭代训练，所述预设稀疏化指标包括预设稀疏化频率；所述在每轮学习过程中按照预设稀疏化指标对所述基础神经网络模型进行参数稀疏化是按照以下方式实现的：对于每轮学习过程中的每次迭代训练，在当次迭代训练后判断当前迭代次数是否为所述预设稀疏化频率对应的次数；若是，则对所述基础神经网络模型进行参数稀疏化，并进行下一次迭代训练直至完成预设次迭代训练；若否，则进行下一次迭代训练直至完成预设次迭代训练。3.根据权利要求2所述的方法，其特征在于，所述在当次迭代训练后判断当前迭代次数是否为所述预设稀疏化频率对应的次数，包括：在当次迭代训练后，计算所述当前迭代次数与本轮学习中迭代训练的总次数的商值；判断所述商值是否为所述预设稀疏化频率的整数倍；若是，则判定所述当前迭代次数是所述预设稀疏化频率对应的次数；若否，则判定所述当前迭代次数非所述预设稀疏化频率对应的次数。4.根据权利要求2所述的方法，其特征在于，所述基础神经网络模型包括多个网络层，所述预设稀疏化指标还包括预设稀疏化比例；所述对所述基础神经网络模型进行参数稀疏化，包括：计算每个所述网络层的当前稀疏化比例；获取所述当前稀疏化比例小于所述预设稀疏化比例的每个待稀疏化网络层；对每个所述待稀疏化网络层进行参数稀疏化。5.根据权利要求4所述的方法，其特征在于，所述网络层包括多个通道，每个所述通道均有参数；所述计算每个所述网络层的当前稀疏化比例，包括：将任意一个所述网络层作为待处理网络层；获取所述待处理网络层中每个通道的参数的值，得到每个参数值；统计全部参数值中小于预设阈值的参数值的个数，得到...
【专利技术属性】
技术研发人员：林鸿清，
申请(专利权)人：重庆紫光华山智安科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。