【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种人脸识别模型训练方法、人脸识别方法及相关设备。
技术介绍
1、在传统人脸识别技术中，需要训练人脸识别模型来对图像中的人脸进行识别，以便于后续的应用落地。人脸识别模型训练中会使用数据增强来提升模型性能，但数据增强可能会导致部分图像质量严重退化，形成低质量人脸图像，低质量人脸图像根据图像质量退化的不同可以分为较难识别，和无法识别，即随着图像质量的退化，人脸信息逐步从图像中消失，导致图像无法识别。该类低质量人脸图像对训练过程是有害的，如果低质量人脸图像在训练样本中占主导地位将会导致人脸识别模型出现偏向性，识别性能将严重下降。一般来说，会在人脸识别模型训练之前，通过面部质量计算来剔除低质量人脸图像，但这种离线的面部质量计算不能有效的捕捉训练过程中样本质量变化，带来的模型性能提升较低。
技术实现思路
1、本专利技术实施例提供一种人脸识别模型训练方法，旨在解决现有人脸识别模型通过离线的面部质量计算来剔除低质量人脸图像，不能有效的捕捉训练过程中样本质量变化，导致模型性能较低的问题。通过不同浮点精度下的高精度推理特征和低精度推理特征之间的相似度来在线确定样本人脸图像的面部数据质量得分，利用高精度推理特征和/或低精度推理特征、样本人脸图像的面部数据质量得分以及样本人脸图像的标签值可以计算样本人脸图像的自适应损失值，考虑了训练过程中样本人脸图像中面部数据质量的动态变化，可以避免对不可识别图像的过拟合，更好的利用数据增强的效果，提高了人脸识别模型的人脸识别性能。>
2、第一方面，本专利技术实施例提供一种人脸识别模型训练方法，所述方法包括：
3、将样本人脸图像输入到待训练人脸识别模型中进行处理，得到所述样本人脸图像在不同浮点精度下的高精度推理特征和低精度推理特征；
4、根据所述高精度推理特征与所述低精度推理特征之间相似度，确定所述样本人脸图像的面部数据质量得分；
5、基于所述高精度推理特征和/或所述低精度推理特征、所述样本人脸图像的面部数据质量得分以及所述样本人脸图像的标签值计算所述样本人脸图像的自适应损失值；
6、基于所述样本人脸图像的自适应损失值，对所述待训练人脸识别模型进行参数更新，迭代所述参数更新的过程，训练完成后得到训练好的人脸识别模型。
7、可选的，所述待训练人脸识别模型包括高精度推理网络和与所述高精度推理网络并行的低精度推理网络，所述高精度推理网络以第一浮点精度对样本人脸图像进行推理处理，所述低精度推理网络以第二浮点精度对样本人脸图像进行推理处理，所述第一浮点精度与所述第二浮点精度不相同，所述将样本人脸图像输入到待训练人脸识别模型中进行处理，包括：
8、通过所述高精度推理网络对所述样本人脸图像进行推理处理，得到高精度推理特征，所述高精度推理特征具有所述第一浮点精度；
9、通过所述低精度推理网络对所述样本人脸图像执行推理处理，得到低精度推理特征，所述低精度推理特征具有所述第二浮点精度。
10、可选的，所述根据所述高精度推理特征与所述低精度推理特征之间相似度，确定所述样本人脸图像的面部数据质量得分，包括：
11、计算所述高精度推理特征与所述低精度推理特征之间的相似度；
12、根据所述相似度的所属区间确定所述样本人脸图像的面部数据质量得分。
13、可选的，所述基于所述高精度推理特征和/或所述低精度推理特征、所述样本人脸图像的面部数据质量得分以及所述样本人脸图像的标签值计算所述样本人脸图像的自适应损失值，包括：
14、根据所述样本人脸图像的困难程度以及所述样本人脸图像的面部数据质量得分确定出当前次迭代过程中所述样本人脸图像的样本类型；
15、根据所述高精度推理特征和/或所述低精度推理特征、所述样本人脸图像的面部数据质量得分以及所述样本人脸图像的标签值计算出各个样本类型的所述样本人脸图像在当前次迭代过程中的自适应损失值。
16、可选的，所述待训练人脸识别模型中还包括分类层，所述分类层包括与各个分类类别对应的权重归一化参数，所述根据所述高精度推理特征和/或所述低精度推理特征、所述样本人脸图像的面部数据质量得分以及所述样本人脸图像的标签值计算出各个样本类型的所述样本人脸图像在当前次迭代过程中的自适应损失值，包括：
17、计算所述高精度推理特征和/或所述低精度推理特征与各个所述权重归一化参数之间的角度值；
18、基于所述角度值、所述样本人脸图像的面部数据质量得分以及所述样本人脸图像的标签值出确定出各个样本类型的所述样本人脸图像在当前次迭代过程中的损失变量；
19、根据所述样本人脸图像的面部数据质量得分所属区间确定出各个样本类型的所述样本人脸图像在当前次迭代过程中的损失权重值；
20、基于所述损失变量以及损失权重值计算出各个样本类型的所述样本人脸图像在当前次迭代过程中的自适应损失值。
21、可选的，所述基于所述角度值、所述样本人脸图像的面部数据质量得分以及所述样本人脸图像的标签值出确定出各个样本类型的所述样本人脸图像在当前次迭代过程中的损失变量，包括：
22、确定当前次迭代过程中的角度间隔参数以及余弦间隔参数；
23、若所述角度值的所属类别与所述样本人脸图像的标签值对应，则通过所述样本人脸图像的面部数据质量得分对所述角度间隔参数以及所述余弦间隔参数进行调整，得到调整后的角度间隔参数以及调整后的余弦间隔参数，并基于所述角度值、所述调整后的角度间隔参数以及所述调整后的余弦间隔参数确定各个样本类型的所述样本人脸图像在当前次迭代过程中的损失变量；
24、若所述角度值的所属类别与所述样本人脸图像的标签值不对应，则基于所述角度值确定各个样本类型的所述样本人脸图像在当前次迭代过程中的损失变量。
25、第二方面，本专利技术实施例还提供了一种人脸识别方法，所述方法包括：
26、获取待识别图像；
27、将所述待识别图像输入到训练好的人脸识别模型中进行人脸识别处理，得到所述待识别图像对应的人脸识别结果，所述训练好的人脸识别模型通过本专利技术实施例中任一项所述人脸识别模型训练方法进行训练得到。
28、第三方面，本专利技术实施例还提供了一种人脸识别模型训练装置，所述人脸识别模型训练装置包括：
29、推理模块，用于将样本人脸图像输入到待训练人脸识别模型中进行处理，得到所述样本人脸图像在不同浮点精度下的高精度推理特征和低精度推理特征；
30、质量评估模块，用于根据所述高精度推理特征与所述低精度推理特征之间相似度，确定所述样本人脸图像的面部数据质量得分；
31、损失值计算模块，用于基于所述高精度推理特征和/或所述低精度推理特征、所述样本人脸图像的面部数据质量得分以及所述样本人脸图像的标签值计算所述样本人脸图像的损失值；
32、参数调整模块，用于基于所述样本人脸图像的损失值，对所述待训练人脸识别本文档来自技高网...
【技术保护点】
1.一种人脸识别模型训练方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的人脸识别模型训练方法，其特征在于，所述待训练人脸识别模型包括高精度推理网络和与所述高精度推理网络并行的低精度推理网络，所述高精度推理网络以第一浮点精度对样本人脸图像进行推理处理，所述低精度推理网络以第二浮点精度对样本人脸图像进行推理处理，所述第一浮点精度高于所述第二浮点精度，所述将样本人脸图像输入到待训练人脸识别模型中进行处理，包括：
3.如权利要求1所述的人脸识别模型训练方法，其特征在于，所述根据所述高精度推理特征与所述低精度推理特征之间相似度，确定所述样本人脸图像的面部数据质量得分，包括：
4.如权利要求1至3中任一所述的人脸识别模型训练方法，其特征在于，所述基于所述高精度推理特征和/或所述低精度推理特征、所述样本人脸图像的面部数据质量得分以及所述样本人脸图像的标签值计算所述样本人脸图像的自适应损失值，包括：
5.如权利要求4所述的人脸识别模型训练方法，其特征在于，所述待训练人脸识别模型中还包括分类层，所述分类层包括与各个分类类别对应的权重归
6.如权利要求5所述人脸识别模型训练方法，其特征在于，所述基于所述角度值、所述样本人脸图像的面部数据质量得分以及所述样本人脸图像的标签值出确定出各个样本类型的所述样本人脸图像在当前次迭代过程中的损失变量，包括：
7.一种人脸识别方法，其特征在于，所述方法包括以下步骤：
8.一种人脸识别模型训练装置，其特征在于，所述人脸识别模型训练装置包括：
9.一种人脸识别装置，其特征在于，所述人脸识别装置包括：
10.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的人脸识别模型训练方法中的步骤，或者所述处理器执行所述计算机程序时实现如权利要求7所述的人脸识别方法中的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的人脸识别模型训练方法中的步骤，或者所述计算机程序被处理器执行时实现如权利要求7所述的人脸识别方法中的步骤。
...【技术特征摘要】
1.一种人脸识别模型训练方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的人脸识别模型训练方法，其特征在于，所述待训练人脸识别模型包括高精度推理网络和与所述高精度推理网络并行的低精度推理网络，所述高精度推理网络以第一浮点精度对样本人脸图像进行推理处理，所述低精度推理网络以第二浮点精度对样本人脸图像进行推理处理，所述第一浮点精度高于所述第二浮点精度，所述将样本人脸图像输入到待训练人脸识别模型中进行处理，包括：
3.如权利要求1所述的人脸识别模型训练方法，其特征在于，所述根据所述高精度推理特征与所述低精度推理特征之间相似度，确定所述样本人脸图像的面部数据质量得分，包括：
4.如权利要求1至3中任一所述的人脸识别模型训练方法，其特征在于，所述基于所述高精度推理特征和/或所述低精度推理特征、所述样本人脸图像的面部数据质量得分以及所述样本人脸图像的标签值计算所述样本人脸图像的自适应损失值，包括：
5.如权利要求4所述的人脸识别模型训练方法，其特征在于，所述待训练人脸识别模型中还包括分类层，所述分类层包括与各个分类类别对应的权重归一化参数，所述基于所述高精度推理特征和/或所述低精度推理特征、所述样本人脸图像的面部数据质量得分以及所述样本...
【专利技术属性】
技术研发人员：吴鹏，魏新明，肖嵘，
申请(专利权)人：深圳云天励飞技术股份有限公司，
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。