模型训练方法、人脸识别方法、电子设备及存储介质技术

本申请实施例涉及图像识别领域，公开了一种模型训练方法、人脸识别方法、电子设备及存储介质。模型训练方法包括：将多个人脸图像输入到包含全连接层的人脸识别网络中，得到多个人脸特征；采用多个人脸特征和待更新权值对人脸识别网络进行迭代训练；在每次迭代训练过程中，计算每次所选的第一身份类别对应的人脸特征和与所述第一身份类别不同的身份类别对应的类中心向量之间的第一相似度；基于第一相似度从与第一身份类别不同的身份类别中选择第二身份类别；根据各身份类别和全连接层中各权值的一一对应关系，将第一身份类别和第二身份类别对应的权值作为待更新权值。本申请的训练方法有效提高了训练效率、降低了海量训练数据对GPU的显存消耗。对GPU的显存消耗。对GPU的显存消耗。

【技术实现步骤摘要】
模型训练方法、人脸识别方法、电子设备及存储介质


[0001]本申请实施例涉及图像识别
，特别涉及一种模型训练方法、人脸识别方法、电子设备及存储介质。

技术介绍

[0002]人脸识别在公共安全、智能监控、数字身份认证、电子商务、多媒体和数字娱乐等多领域都具有巨大的应用价值和广泛的应用市场。经过长时间的研究，人脸识别已经取得了长足的发展与进步，以“人脸”为对象的计算机视觉研究已经成为一个及其重要、研究方向众多并有着广泛应用于前景的学术和科技领域。
[0003]目前，常用的人脸识别技术是基于深度学习的二维图像人脸识别模型，模型在应用于人脸识别之前，需要采用海量的人脸图像作为训练数据对模型的各参数进行迭代训练，以使模型具有良好的识别效果。然而，模型的训练难度和训练时间随着训练数据中身份类别数量的增长而大幅增加，模型中需要训练的各参数的数量也随着身份类别数量的增长而增加，最终整个模型训练过程所需的存储能力和计算能力很容易超过GPU的可承载能力，导致需要大量的训练时间，甚至训练失败。

技术实现思路

[0004]本申请实施方式的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：将多个人脸图像输入到包含全连接层的人脸识别网络中，得到多个人脸特征；采用所述多个人脸特征和待更新权值对所述人脸识别网络进行迭代训练；其中，所述待更新权值通过如下方法获取：在每次迭代训练过程中，计算每次所选的第一身份类别对应的人脸特征和与所述第一身份类别不同的身份类别对应的类中心向量之间的第一相似度；基于所述第一相似度，从与所述第一身份类别不同的身份类别中选择第二身份类别；根据各身份类别和全连接层中各权值的一一对应关系，将所述第一身份类别和所述第二身份类别对应的权值作为待更新权值。2.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述第一相似度，从与所述第一身份类别不同的身份类别中选择第二身份类别，包括：将所述第一相似度进行平均处理，得到第一平均值，并将所述第一平均值与预设阈值的差值作为第一阈值；将大于第一阈值的第一相似度对应的身份类别作为第二身份类别。3.根据权利要求1或2所述的模型训练方法，其特征在于，将所述第一身份类别和所述第二身份类别对应的权值作为待更新权值，包括：将所述第二身份类别划分为第三身份类别和第四身份类别，其中第三身份类别对应的第一相似度大于第二阈值，第四身份类别对应的第一相似度大于第一阈值且小于第二阈值；将所述第一身份类别和所述第三身份类别对应的权值作为第一训练阶段的待更新权值，将所述第一身份类别和所述第四身份类别对应的权值作为第二训练阶段的待更新权值；其中，第一阈值为第一平均值与预设阈值的差值，第二阈值为第一平均值与预设阈值的和值，第一平均值通过对所述第一相似度进行平均处理得到。4.根据权利要求1所述的模型训练方法，其特征在于，所述采用所述多个人脸特征和待更新权值对所述人脸识别网络进行迭代训练，包括：将每个身份类别分别作为待处理身份类别进行如下操作：计算待处理身份类别对应的人脸特征之间的第二相似度，将所述第二相似度进行平均处理，得到第二平均值，并将第二平均值与预设阈值的和值作为第三阈值；将大于第三阈值的第二相似度所对应的两个人脸特征标记为噪声数据；将所述待处理身份类别对应的人脸特征中的噪声数据剔除，并采用剔除后的待处理身份类别对应的人脸特征和待更新权值进行迭代训练。5.根据权利...

【专利技术属性】
技术研发人员：赵欲苗，胡长胜，魏梦，浦煜，陈智超，户磊，
申请(专利权)人：北京的卢铭视科技有限公司，
类型：发明
国别省市：