【技术实现步骤摘要】
基于模态对抗扰动的半监督异质人脸识别方法
[0001]本专利技术属于人脸识别
,具体涉及一种基于模态对抗扰动的半监督异质人脸识别方法。
技术介绍
[0002]随着计算机技术的发展,人脸识别技术已被广泛应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领域。近些年来卷积神经网络在人脸识别领域已经取得的了很大的进展,人脸识别模型已经被广泛的应用与实现场景。
[0003]传统的人脸识别技术主要是基于可见光图像的人脸识别。近年来,基于主动近红外图像的多光源人脸识别技术得到了迅速发展。可见光和近红外图像两者之间巨大的域差距降低了人脸识别模型的性能。同时,个人隐私保护问题和昂贵的标签消费导致难以从不同的源域收集足够数量的异质人脸。而目前针对较少标记数据的半监督异质人脸识别(Heterogeneous face recognition,HFR)技术的相关研究很少。
[0004]目前,常用的异质人脸识别方法主要分为三种:基于人脸合成的方法、基于公共子空间映射的方法以及基于特征描述符的方法。
[0005]基于人脸合成的方法的目标是将人脸图像通过合成的方法转换了另一个域中,从而将合成图像直接应用在人脸识别算法中,例如,文献《He R,Li Y,Wu X,et al.Coupled adversarial learning for semi
‑
supervised heterogeneous face recognition[J].Pattern Rec ...
【技术保护点】
【技术特征摘要】
1.一种基于模态对抗扰动的半监督异质人脸识别方法,其特征在于,包括:步骤1:获取包括有标签数据和无标签数据的异质人脸数据集;步骤2:构建包括多协作人脸表示模块和人脸模态对抗扰动模块的半监督学习异质人脸识别模型;其中,所述多协作人脸表示模块利用网络中不同深度的多样和模态不变判别知识的相关交互提取更强的模态不变判别特征;所述人脸模态对抗扰动模块用于生成模态扰动图像,将数据映射到模态不可知子空间,以缓解数据模态差异;步骤3:基于所述异质人脸数据集对所述半监督学习异质人脸识别模型进行训练,以便于利用训练好的模型实现异质人脸识别。2.根据权利要求1所述的基于模态对抗扰动的半监督异质人脸识别方法,其特征在于,在步骤2中,构建的多协作人脸表示模块包括若干块,每个块中均包含一个特征提取层;且除最后一个块之外,其余块中的特征提取层后面还接入了一个瓶颈层;其中,所述特征提取层构成整个模型的骨干网络用以对输入数据进行不同深度的特征提取;所述瓶颈层用于在模型训练阶段学习不同深度的特征表示。3.根据权利要求2所述的基于模态对抗扰动的半监督异质人脸识别方法,其特征在于,所述瓶颈层包括非线性映射层和线性层,具体包括3层卷积层和2层线性层。4.根据权利要求1所述的基于模态对抗扰动的半监督异质人脸识别方法,其特征在于,在步骤2中,构建的人脸模态对抗扰动模块包括模态不可知扰动生成器、人脸模态分类器以及跨模态人脸标签分类器;其中,所述模态不可知扰动生成器用于对输入数据生成对抗性扰动,得到模态扰动图像;所述人脸模态分类器用于在模型训练阶段学习区分不同模态;所述跨模态人脸标签分类器用于基于原始图像和所述模态扰动图像进行人脸分类识别。5.根据权利要求4所述的基于模态对抗扰动的半监督异质人脸识别方法,其特征在于,在步骤3中,基于所述异质人脸数据集对所述半监督学习异质人脸识别模型进行训练,包括:31)对所述半监督学习异质人脸识别模型进行预训练;32)在步骤31)的基础上,对所述人脸模态对抗扰动模块进行训练;33)基于训练好的人脸模态对抗扰动模块生成的模态扰动图像,对所述半监督学习异质人脸识别模型进行再训练。6.根据权利要求5所述的基于模态对抗扰动的半监督异质人脸识别方法,其特征在于,步骤31)包括:31a)使用在公共人脸数据集上训练的LightCNN网络权重初始化网络模型;31b)在每次训练迭代前,使用当前网络模型对无标签数据做预测,若预测的置信度大于给定阈值时,则为当前的无标签数据标记伪标签并用于下一次训练迭代过程;否则,当前的无标签数据将不参与下次训练;31c)将有标签数据和标记了伪标签的图像数据输入网络进行训练,更新网络权重。7.根据权利要求6所述的基于模态对抗扰动的半监督异质人脸识别方法,其特征在于,
在步骤31c)中,对网络的训练过程采用的损失函数如下:L
total
=...
【专利技术属性】
技术研发人员:彭春蕾,杨炜钊,刘德成,胡瑞敏,叶波,苏鸿,张云,万锦辉,
申请(专利权)人:广西产研院人工智能与大数据应用研究所有限公司,
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。