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，将同一个目标用户的生物学特征有部分遮挡和无遮挡的两张样本图像确定为样本对，通过初始提取子模型基于样本对提取的第一图像特征和第二图像特征，确定两者间的特征对齐损失函数，并根据正常图像样本和遮挡图像样本分别对应的用户识别结果，得到第一损失函数和第二损失函数。根据上述损失函数对初始提取子模型和初始识别子模型进行训练，由于该特征对齐损失函数能够标识出这两个图像特征在特征空间中的特征分布差异，可使模型学习到最小化该特征分布差异的知识，以让第一图像特征和第二图像特征在特征分布上更为接近，具有更好的相似度比对条件，从而训练得到适用于生物学特征遮挡场景的用户识别模型。场景的用户识别模型。场景的用户识别模型。

【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]生物学特征是用于标识用户身份的重要标识，例如人脸、指纹、掌纹等。终端设备采集包括用户的生物学特征的图像，然后通过识别模型识别图像中的生物学特征来确定用户的身份，从而有效应用于电子支付、打卡等场景中。
[0003]在一些情况下，所采集的图像中，用户的生物学特征出现了部分遮挡，例如戴口罩的人脸。生物学特征被遮挡会显著影响对用户身份识别的准确性，针对这一情况，在相关技术中，对识别模型采用多任务的方式进行训练，训练中采用生物学特征无遮挡的样本图像a和生物学特征部分遮挡的样本图像b，然后调整样本图像a与样本图像b之间的损失函数的权重，从而提升其识别的准确率。
[0004]然而，该权重为一个超参数，其最优值随着数据分布的变化而发生变化，通过人为经验难以快速的基于变化而调整权重值，故通过相关技术训练得到的识别模型对生物学特征出有部分遮挡的图像的识别准确性难以符合预期。

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，能够训练得到适用于生物学特征遮挡场景的用户识别模型，主要依靠对齐不同生物学遮挡下的特征分布来提升识别过程中的可比性，以此实现对模型识别精度的保证。
[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，所述方法包括：
[0008]从样本图像中确定样本对，所述样本对包括生物学特征无遮挡的正常样本图像和所述生物学特征被部分遮挡的遮挡样本图像，所述正常样本图像和所述遮挡样本图像具有相同的样本标签，用于标识同一个目标用户；
[0009]通过初始提取子模型，获取所述样本对中所述正常样本图像的第一图像特征和所述遮挡样本图像的第二图像特征；
[0010]根据所述第一图像特征和所述第二图像特征在特征空间中的特征分布差异，确定特征对齐损失函数；
[0011]根据所述第一图像特征，通过初始识别子模型得到所述正常样本图像对应的第一用户识别结果，根据所述第二图像特征，通过所述初始识别子模型得到所述遮挡样本图像对应的第二用户识别结果；
[0012]基于所述第一用户识别结果和所述第二用户识别结果分别与所述样本标签的差异，确定第一损失函数和第二损失函数；
[0013]通过所述第一损失函数、所述第二损失函数和所述特征对齐损失函数，对所述初始提取子模型和所述初始识别子模型进行模型训练，得到用户识别模型，所述用户识别模
型用于根据待识别图像中的生物学特征进行用户识别。
[0014]另一方面，本申请实施例提供了一种模型确定装置，所述装置包括确定单元、获取单元、识别单元和训练单元：
[0015]所述确定单元，用于从样本图像中确定样本对，所述样本对包括生物学特征无遮挡的正常样本图像和所述生物学特征被部分遮挡的遮挡样本图像，所述正常样本图像和所述遮挡样本图像具有相同的样本标签，用于标识同一个目标用户；
[0016]所述获取单元，用于通过初始提取子模型，获取所述样本对中所述正常样本图像的第一图像特征和所述遮挡样本图像的第二图像特征；
[0017]所述确定单元还用于根据所述第一图像特征和所述第二图像特征在特征空间中的特征分布差异，确定特征对齐损失函数；
[0018]所述识别单元，用于根据所述第一图像特征，通过初始识别子模型得到所述正常样本图像对应的第一用户识别结果，根据所述第二图像特征，通过所述初始识别子模型得到所述遮挡样本图像对应的第二用户识别结果；
[0019]所述确定单元还用于基于所述第一用户识别结果和所述第二用户识别结果分别与所述样本标签的差异，确定第一损失函数和第二损失函数；
[0020]所述训练单元，用于通过所述第一损失函数、所述第二损失函数和所述特征对齐损失函数，对所述初始提取子模型和所述初始识别子模型进行模型训练，得到用户识别模型，所述用户识别模型用于根据待识别图像中的生物学特征进行用户识别。
[0021]另一方面，本申请实施例提供了一种计算机设备，所述计算机设备包括处理器以及存储器：
[0022]所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0023]所述处理器用于根据所述程序代码中的指令执行以上方面所述的方法。
[0024]另一方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行以上方面所述的方法。
[0025]另一方面，本申请实施例提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行以上方面所述的方法。
[0026]由上述技术方案可以看出，为了提升生物学特征被部分遮挡的识别精度，将同一个目标用户的生物学特征有部分遮挡和无遮挡的两张样本图像确定为样本对，通过初始提取子模型基于样本对提取的第一图像特征和第二图像特征，确定两者间的特征对齐损失函数，并根据正常图像样本和遮挡图像样本分别对应的用户识别结果，得到对应样本标签的第一损失函数和第二损失函数。根据上述三个损失函数对初始提取子模型和初始识别子模型进行模型训练，由于该特征对齐损失函数能够标识出这两个图像特征在特征空间中的特征分布差异，通过训练可以使模型学习到最小化该特征分布差异的知识，以让第一图像特征和第二图像特征在特征分布上更为接近，从而具有更好的相似度比对条件，而基于第一损失函数和第二损失函数的训练可使模型学习到在生物学特征的不同遮挡条件下准确识别目标用户的知识。由此在上述三个损失函数的指导下，能够训练得到适用于生物学特征遮挡场景的用户识别模型，而且训练过程中几乎没有对超参数的依赖，主要依靠对齐不同生物学遮挡下的特征分布来提升识别过程中的可比性，以此实现对模型识别精度的保证。
附图说明
[0027]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0028]图1为本申请实施例提供的一种模型确定场景的示意图；
[0029]图2为本申请实施例提供的一种模型确定方法的方法流程图；
[0030]图3为本申请实施例提供的一种图像特征在特征空间的特征分布示意图；
[0031]图4为本申请实施例提供的一种基于初始提取子模型确定特征对齐损失函数的示意图；
[0032]图5为本申请实施例提供的一种结合模型结构的损失函数确定示意图；
[0033]图6为本申请实施例提供的一种模型预训练的流程图；
[0034]图7为本申请实施例提供的一种用户识别模型的训练流程图；
[0035]图8为本申请实施例提供的一种模型训练、部署阶段的示意图；
[003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：从样本图像中确定样本对，所述样本对包括生物学特征无遮挡的正常样本图像和所述生物学特征被部分遮挡的遮挡样本图像，所述正常样本图像和所述遮挡样本图像具有相同的样本标签，用于标识同一个目标用户；通过初始提取子模型，获取所述样本对中所述正常样本图像的第一图像特征和所述遮挡样本图像的第二图像特征；根据所述第一图像特征和所述第二图像特征在特征空间中的特征分布差异，确定特征对齐损失函数；根据所述第一图像特征，通过初始识别子模型得到所述正常样本图像对应的第一用户识别结果，根据所述第二图像特征，通过所述初始识别子模型得到所述遮挡样本图像对应的第二用户识别结果；基于所述第一用户识别结果和所述第二用户识别结果分别与所述样本标签的差异，确定第一损失函数和第二损失函数；通过所述第一损失函数、所述第二损失函数和所述特征对齐损失函数，对所述初始提取子模型和所述初始识别子模型进行模型训练，得到用户识别模型，所述用户识别模型用于根据待识别图像中的生物学特征进行用户识别。2.根据权利要求1所述的方法，其特征在于，所述特征分布差异通过如下方式获得：将所述第一图像特征转换为特征空间的第一特征统计量，并将所述第二图像特征转换为所述特征空间的第二特征统计量；根据所述第一特征统计量和所述第二特征统计量，确定所述特征分布差异。3.根据权利要求1所述的方法，其特征在于，所述特征分布差异通过如下方式获得：在通过初始提取子模型，获取所述样本对中所述正常样本图像的第一图像特征和所述遮挡样本图像的第二图像特征的过程中，通过神经架构搜索的方式获取所述初始提取子模型中隐含层和输出层的输出特征参数；根据所述输出特征参数，从所述隐含层和所述输出层中确定用于确定所述特征分布差异的最优层；通过所述最优层输出的第一待处理特征和第二待处理特征确定所述特征分布差异，所述第一待处理特征为所述最优层根据所述正常图像样本输出的特征，所述第二待处理特征为所述最优层根据所述遮挡图像样本输出的特征。4.根据权利要求3所述的方法，其特征在于，若所述最优层为所述初始提取子模型的多个隐含层中的目标隐含层，所述通过所述最优层输出的第一待处理特征和第二待处理特征确定所述特征分布差异，包括：从所述初始提取子模型的所述目标隐含层获取所述正常样本图像的第一中间特征和所述遮挡样本图像的第二中间特征；根据所述第一中间特征和所述第二中间特征，确定所述特征分布差异。5.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特征，通过初始识别子模型得到所述正常样本图像对应的第一用户识别结果，包括：获取所述初始识别子模型可识别的多个用户分别对应的正常类中心特征，所述多个用户中包括所述目标用户，所述目标用户对应的正常类中心特征是通过多个所述正常样本图
像得到的；根据所述第一图像特征和所述多个用户分别对应的正常类中心特征，通过所述初始识别子模型确定所述正常样本图像分别对应所述多个用户的第一识别概率；根据所述第一识别概率确定所述第一用户识别结果。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：根据所述第二图像特征和所述目标用户对应的正常类中心特征间的差异，确定第一类中心损失函数；所述通过所述第一损失函数、所述第二损失函数和所述特征对齐损失函数，对所述初始提取子模型和所述初始识别子模型进行模型训练，得到用户识别模型，包括：通过所述第一损失函数、所述第二损失函数、所述第一类中心损失函数和所述特征对齐损失函数，对所述初始提取子模型和所述初始识别子模型进行模型训练，得到所述用户识别模型。7.根据权利要求1所述的方法，其特征在于，所述根据所述第二图像特征，通过所述初始识别子模型得到所述遮挡样本图像对应的第二用户识别结果，包括：获取所述初始识别子模型可识别的多个用户分别对应的遮挡类中心特征，所述多个用户中包括所述目标用户，所述目标用户对应的遮挡类中心特征是通过多个所述遮挡样本图像得到的；根据所述第二图像特征和所述多个用户分别对应的类中心特征，通过所述初始识别子模型确定所述遮挡样本图像分别对应所述多个用户的第二识别概率；根据所述第二识别...

【专利技术属性】
技术研发人员：许剑清，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：