人脸识别深度学习模型训练方法、装置、设备及存储介质制造方法及图纸

本申请提供一种人脸识别深度学习模型训练方法、装置、设备及存储介质。该方法包括：将人脸样本图像输入到双支路基础单元，利用第一支路和第二支路分别提取第一特征图和第二特征图，将第一特征图和第二特征图拼接得到变换特征图；对骨干网络中目标阶段输出的特征图进行处理，得到每个目标阶段的特征向量，将特征向量聚合得到目标特征向量；确定目标特征向量与各个人脸类别的类中心的夹角，并根据人脸样本图像对应人脸类别的样本数及最大类别样本数确定加性间隔参数，将夹角及加性间隔参数输入到损失函数中计算损失值；利用损失值对人脸识别深度学习模型进行训练。本申请提升了人脸识别模型的准确性和人脸识别效果。识别模型的准确性和人脸识别效果。识别模型的准确性和人脸识别效果。

【技术实现步骤摘要】
人脸识别深度学习模型训练方法、装置、设备及存储介质


[0001]本申请涉及计算机
，尤其涉及一种人脸识别深度学习模型训练方法、装置、设备及存储介质。

技术介绍

[0002]人脸识别模型训练任务中，需考虑基础单元对模型训练的影响，以及如何获取更具判别性的特征表达，另外还要考虑训练数据的类别不平衡问题，这对人脸识别模型的设计带来困难。
[0003]传统人脸识别模型的基础单元通常只有一个卷积层，容易忽略原始图片的一些关键信息，且传统人脸识别模型训练通常只取最后一个卷积层的输出特征作为特征表达，忽略了前层的细节特征；另外，人脸识别训练集通常存在较大的类别不平衡问题。由于存在上述情况，导致现有的人脸识别模型训练无法提取丰富的人脸图片基础特征，特征表达忽略细节特征，训练集中的类别不平衡导致训练后的人脸识别模型的准确性低，人脸识别效果差的问题。

技术实现思路

[0004]有鉴于此，本申请实施例提供了一种人脸识别深度学习模型训练方法、装置、设备及存储介质，以解决现有技术存在的无法提取丰富的人脸图片基础特征，特征表达忽略细节特征，人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸识别深度学习模型训练方法，其特征在于，包括：将人脸样本图像输入到预定的双支路基础单元，利用所述双支路基础单元中的第一支路和第二支路分别提取第一特征图和第二特征图，将所述第一特征图和所述第二特征图进行拼接，得到变换特征图；将所述变换特征图输入到骨干网络，对所述骨干网络中预设的目标阶段输出的特征图进行处理，得到每个所述目标阶段对应的特征向量，将所述特征向量进行聚合，得到目标特征向量；确定所述目标特征向量与各个人脸类别的类中心之间的夹角，并根据所述人脸样本图像对应人脸类别的样本数及最大类别样本数确定加性间隔参数，将所述夹角及所述加性间隔参数输入到预设的损失函数中计算损失值；利用所述损失值反向更新人脸识别深度学习模型的参数，以便对所述人脸识别深度学习模型进行训练。2.根据权利要求1所述的方法，其特征在于，利用所述双支路基础单元中的第一支路提取第一特征图，包括：将所述人脸样本图像输入到第一卷积层中进行卷积处理，并对卷积处理后的特征图进行批归一化和激活函数处理，得到第一输出特征图；将所述第一输出特征图输入到第二卷积层中进行卷积处理，并对卷积处理后的特征图进行批归一化和激活函数处理，得到第二输出特征图，将所述第二输出特征图作为所述第一特征图。3.根据权利要求1所述的方法，其特征在于，利用所述双支路基础单元中的第二支路提取第二特征图，包括：将所述人脸样本图像的高和宽，按照偶数列和奇数列分别重新组合，将重新组合后的图像在通道维度上进行拼接；将拼接后的图像输入到第三卷积层中进行卷积处理，并对卷积处理后的特征图进行批归一化和激活函数处理，得到所述第二特征图。4.根据权利要求1所述的方法，其特征在于，所述对所述骨干网络中预设的目标阶段输出的特征图进行处理，得到每个所述目标阶段对应的特征向量，包括：在所述骨干网络中依次执行第一阶段、第二阶段、第三阶段和第四阶段处理，其中将所述第二阶段、第三阶段和第四阶段作为目标阶段；将所述第二阶段、第三阶段和第四阶段输出的特征图分别依次利用全局平均池化层、全连接层、批归一化层和激活函数层进行处理，得到所述第二阶段、第三阶段和第四阶段分别对应的特征向量。5.根据权利要求4所述的方法，其特征在于，所述将所述特征向量进行聚合，得到目标特征向量，包括：将所述第二阶段、第三阶段和第四阶段分别对应的特征向量进行聚合，并将聚合后的特征向量输入到全连接层，并使用批归一化对所述全连接...

【专利技术属性】
技术研发人员：杨战波，黄泽元，蒋召，
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：