一种模型确定方法和相关装置制造方法及图纸

本申请公开了一种模型确定方法和相关装置，针对图像中对象的对象类型识别，通过初始编码器可以确定出图像样本的第一图像样本特征，并基于第一图像样本特征生成标识不同识别环境的第二图像样本特征。针对这两个图像样本特征都可通过初始解码器得到对应的纹理图像，并根据图样样本特征和对应的纹理图像一起，通过初始分类器确定出分别对应图像样本和跨场景图像样本的识别结果，并基于识别标签和识别结果生成的识别损失函数训练初始识别模型得到识别模型。以此训练得到的识别模型在进行对象识别时，对跨场景识别、各种攻击类型识别均达到较好的泛化能力，有效提升了模型识别精度。度。度。

【技术实现步骤摘要】
一种模型确定方法和相关装置


[0001]本申请涉及数据处理领域，特别是涉及一种模型确定方法和相关装置。

技术介绍

[0002]识别模型是指一种通过图像来进行对象类型识别的模型，通过一定数量的图像样本来对初始识别模型进行训练，可以得到具有一定识别能力的识别模型，该识别模型可以应用于生产生活的多个方面。
[0003]由于识别模型在实际应用过程中，会遇到多种识别场景和多种攻击类型，甚至可能遇到训练过程中从未遇到的新识别场景和新攻击类型，例如，当识别模型训练时的识别场景是室内场景时，该模型实际应用中遇到的识别场景可能是室外场景，或者，当识别模型识别活体时，训练时的攻击类型是通过照片来伪装真实活体，而该模型实际应用中遇到的攻击类型可能是通过视频重放来伪装真实活体，即识别模型在实际应用中会遇到多种多样的识别场景和攻击类型。
[0004]然而，相关技术中所训练的识别模型在进行对象类型识别时，面对跨场景识别和跨攻击类型识别难以达到适当的泛化性要求，从而导致该模型并不能够得到广泛的应用。

技术实现思路

[0005]为了解决上述技术问题，本申请提供了一种模型确定方法和相关装置，在训练过程中不仅提升了识别模型对处于不同识别环境中相同对象的识别能力，还让模型在训练过程中学习到了更为精准的识别能力来有效防御各种攻击类型，从而得到对跨场景识别、各种攻击类型识别均达到较好的泛化能力的识别模型。
[0006]本申请实施例公开了如下技术方案：
[0007]一方面，本申请实施例提供了一种模型确定方法，该方法包括：
[0008]通过初始识别模型的初始编码器，确定图像样本的第一图像样本特征，图像样本具有标识图像样本中对象的对象类型的识别标签，初始识别模型还包括初始解码器和初始分类器；
[0009]基于第一图像样本特征生成第二图像样本特征，第二图像样本特征对应的跨场景图像样本与图像样本中具有不同的对象类型识别环境，跨场景图像样本与图像样本具有相同的识别标签；
[0010]根据第一图像样本特征和第二图像样本特征，通过初始解码器得到图像样本对应的第一纹理图像和跨场景图像样本对应的第二纹理图像；
[0011]根据第一图像样本特征和第一纹理图像，通过初始分类器确定第一类型识别结果；根据第二图像样本特征和第二纹理图像，通过初始分类器确定第二类别识别结果；
[0012]基于第一类型识别结果和第二类型识别结果分别与识别标签的差异，生成识别损失函数；
[0013]通过识别损失函数训练初始识别模型，得到识别模型，识别模型用于识别待处理
图像中对象的对象类型。
[0014]又一方面，本申请实施例提供了一种模型确定装置，该装置包括第一确定单元，第一生成单元，获取单元，第二确定单元，第二生成单元，训练单元：
[0015]第一确定单元，用于通过初始识别模型的初始编码器，确定图像样本的第一图像样本特征，图像样本具有标识图像样本中对象的对象类型的识别标签，初始识别模型还包括初始解码器和初始分类器；
[0016]第一生成单元，用于基于第一图像样本特征生成第二图像样本特征，第二图像样本特征对应的跨场景图像样本与图像样本中具有不同的对象类型识别环境，跨场景图像样本与图像样本具有相同的识别标签；
[0017]获取单元，用于根据第一图像样本特征和第二图像样本特征，通过初始解码器得到图像样本对应的第一纹理图像和跨场景图像样本对应的第二纹理图像；
[0018]第二确定单元，用于根据第一图像样本特征和第一纹理图像，通过初始分类器确定第一类型识别结果；根据第二图像样本特征和第二纹理图像，通过初始分类器确定第二类别识别结果；
[0019]第二生成单元，用于基于第一类型识别结果和第二类型识别结果分别与识别标签的差异，生成识别损失函数；
[0020]训练单元，用于通过识别损失函数训练初始识别模型，得到识别模型，识别模型用于识别待处理图像中对象的对象类型。
[0021]又一方面，本申请实施例提供了一种计算机设备，计算机设备包括处理器以及存储器：
[0022]存储器用于存储计算机程序，并将计算机程序传输给处理器；
[0023]处理器用于根据计算机程序执行以上方面所述的方法。
[0024]又一方面。本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质用于存储计算机程序，计算机程序用于执行以上方面所述的方法。
[0025]又一方面，本申请实施例提供了一种包括计算机程序的计算机程序产品，当其在计算机设备上运行时，使得计算机设备执行以上方面所述的方法。
[0026]由上述技术方案可以看出，针对图像中对象的对象类型识别，待训练的初始识别模型中包括初始编码器、初始解码器和初始分类器。通过初始编码器可以确定出图像样本的第一图像样本特征，并为了提升模型对处于不同对象类型识别环境中相同对象的识别能力，基于第一图像样本特征生成标识不同识别环境的第二图像样本特征。针对这两个图像样本特征都可通过初始解码器得到对应的纹理图像，并根据图样样本特征和对应的纹理图像一起，通过初始分类器确定出分别对应图像样本和跨场景图像样本的识别结果，并基于识别标签和识别结果生成的识别损失函数训练初始识别模型得到识别模型。由于通过对图像样本特征的跨场景转换，可以让初始识别模型在训练过程中学习到如何在不同对象类型识别环境中识别出相同对象的知识，而且通过图像特征的跨场景转换，避免了对额外样本的编码处理，并不会对模型训练效率造成实质影响。在进行对象类型识别时除了依据图像样本特征，还进一步引入了纹理图像，从特征维度和图像的纹理维度对图像进行更为丰富的表达，使得初始识别模型在训练过程中学习到更为精准的识别能力，能够应对更为多样性的识别攻击手段。以此训练得到的识别模型在进行对象识别时，对跨场景识别、各种攻击
Face Anti
‑
Spoofing，SSDG)算法，该算法使用了一个域鉴别器来鉴别特征提取器提取到的来自于不同域的活体人脸特征，当该特征提取器所提取到的活体人脸特征能很好地让域鉴别器识别为活体人脸时，该特征被认为是跨域无关的特征，因此该特征在未知域上也可能具有较好的识别能力；另一方面则关注于提升识别模型面对多种多样攻击类型时的检测能力，尤其是面对新型攻击类型的检测能力，例如，以活体识别模型为例，攻击类型包括照片、视频、换脸、面具等各种可以提供虚假人脸的攻击类型，新型攻击类型包括训练图像样本中未出现过的攻击类型，该方面主要通过采用零样本学习或异常检测策略来提升模型面对新型攻击类型的泛化性能，旨在让模型学习可泛化到新型攻击类型的攻击线索，例如，对于活体识别模型，相关技术中存在深度学习树网络(Deep Tree Learning for Zero
‑
shot Face Anti
‑
Spoofing，DTN)算法，该算法采用了零样本学习方法，对已知的攻击类型根据语义划分为若干簇，并在每个簇内进行二分类活体检测，在面对新型攻击类型时，新本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型确定方法，其特征在于，所述方法包括：通过初始识别模型的初始编码器，确定图像样本的第一图像样本特征，所述图像样本具有标识所述图像样本中对象的对象类型的识别标签，所述初始识别模型还包括初始解码器和初始分类器；基于所述第一图像样本特征生成第二图像样本特征，所述第二图像样本特征对应的跨场景图像样本与所述图像样本中具有不同的对象类型识别环境，所述跨场景图像样本与所述图像样本具有相同的识别标签；根据所述第一图像样本特征和所述第二图像样本特征，通过所述初始解码器得到所述图像样本对应的第一纹理图像和所述跨场景图像样本对应的第二纹理图像；根据所述第一图像样本特征和所述第一纹理图像，通过所述初始分类器确定第一类型识别结果；根据所述第二图像样本特征和第二纹理图像，通过所述初始分类器确定第二类别识别结果；基于所述第一类型识别结果和所述第二类型识别结果分别与所述识别标签的差异，生成识别损失函数；通过所述识别损失函数训练所述初始识别模型，得到识别模型，所述识别模型用于识别待处理图像中对象的对象类型。2.根据权利要求1所述的方法，其特征在于，所述图像样本包括正样本和负样本，所述正样本中的对象为真实对象类型，所述负样本中的对象为虚假对象类型；所述方法还包括：基于所述正样本的第一纹理图像与所述正样本的纹理标签的差异，生成纹理损失函数；所述通过所述识别损失函数训练所述初始识别模型，得到识别模型，包括：通过所述识别损失函数和所述纹理损失函数训练所述初始识别模型，得到识别模型。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：对所述正样本进行图像纹理转换，得到所述纹理标签。4.根据权利要求1所述的方法，其特征在于，所述根据所述第一图像样本特征和所述第一纹理图像，通过所述初始分类器确定第一类型识别结果，包括：将所述第一图像样本特征映射到所述第一纹理图像的特征空间中，得到映射样本特征；基于所述映射样本特征和所述第一纹理图像针对相同图像区域的特征分布，确定样本注意力图，所述样本注意力图用于标识在所述映射样本特征和所述第一纹理图像的特征分布的指导下，所述图像样本中图像区域针对识别对象类型的注意力权重；根据所述映射样本特征和所述第一纹理图像，通过所述样本注意力图生成对应的注意力样本特征和注意力纹理图像；根据所述注意力样本特征和所述注意力纹理图像，通过所述初始分类器确定第一类型识别结果。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：将所述图像样本基于图像区域划分为N个子图像区域，N>1；所述将所述第一图像样本特征映射到所述第一纹理图像的特征空间中，得到映射样本特征，包括：
根据所述N个子图像区域，从所述第一图像样本特征确定分别对应的N个子特征，并将所述N个子特征分别映射到所述第一纹理图像的特征空间中，得到组成所述映射样本特征的N个子映射特征；针对N个子图像区域中的第i个子图像区域，所述基于所述映射样本特征和所述第一纹理图像针对相同图像区域的特征分布，确定样本注意力图，包括：获取所述映射样本特征中对应所述第i个子图像区域的第i个子映射特征，以及所述第一纹理图像中对应所述第i个子图像区域的第i个纹理网格；根据所述第i个子映射特征和所述第i个纹理网格的特征分布，确定所述样本注意力图中针对所述第i个子图像区域的子注意力图。6.根据权利要求1所述的方法，其特征在于，所述图像样本包括正样本和负样本，所述正样本中的对象为真实对象类型，所述负样本中的对象为虚假对象类型；所述方法还包括：通过所述初始编码器，获取所述正样本的第一待定特征，以及所述负样本的第二待定特征；基于所述第一待定特征与锚点特征间的第一差异，以及所述第二待定特征与所述锚点特征间的第二差异，生成距离损失函数，所述锚点特征是基于所述正样本确定的；所述通过所述识别损失函数训练所述初始识别模型，得到识别模型，包括：通过所述识别损失函数和所述距离损失函数训练所述初始识别模型，得到识别模型，其中，基于最小化所述第一差异和最大化所述第二差异的优化目标，通过所述距离损失函数训练所述初始识别模型。7.根据权利要求6所述的方法，其特征在于，所述初始编码器除了输入层外还包括多个网络层，所述第一待定特征和所述第二待定特征为同一个网络层的输出特征，当所述同一个网络层为所述初始编码器的输出层时，所述第一待定特征和所述第...

【专利技术属性】
技术研发人员：张克越，曹隽逸，姚太平，尹邦杰，丁守鸿，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：