【技术实现步骤摘要】
本专利技术涉及生物特征认证，更具体地说，涉及一种基于自适应损失函数的生物特征认证方法、介质及设备。
技术介绍
1、生物特征认证是指通过获取和分析人体的生理特征(如人脸、指纹、虹膜、掌纹、静脉)和/或行为特征(声纹、步态和签名)，实现自动身份鉴别的科学和技术。随着互联网的飞速发展和智能化的高速推进，生物特征认证技术已经渗透到人们生产生活的方方面面，从电子设备解锁、超市收银、小区门禁，再到高铁进站和机场安检，生物特征已经成为人们在万物互联时代的重要数字身份凭证，而生物特征认证也成为了当前社会智能化发展过程中解决身份安全问题(“终结口令”)的首选方案。虽然生物特征认证方法相比密码和磁卡等传统认证方法具有更高的安全性，然而随着技术的发展，生物特征认证技术在安全方面所面临的问题日益凸显。为了进一步提高认证系统的安全性，提高身份特征特征提取器的性能举足轻重。
2、在进行特征提取器设计时，损失函数直接决定了特征提取器的优化方向，因此对最终特征提取器的性能具有决定性的作用。当前损失函数可以大致分为两类：基于度量学习的损失函数和基于分类的损失函数。在基于度量学习的损失函数中，对比损失和三元组损失是两种典型的损失函数。对比损失首先对样本进行配对并通过训练来降低正样本对的距离和提高负样本对的距离。三元组损失进一步对三个样本进行组合，其中包括两个同类别样本和一个不同类别的样本，然后训练模型将两个匹配的样本与另外一个不同类别的样本进行分离并形成一定间隔。后续基于度量学习的损失函数基本都是基于对比损失和三元组损失进行设计的。然而，由于这类方法涉
技术实现思路
1、为克服现有技术中的缺点与不足，本专利技术的目的在于提供一种基于自适应损失函数的生物特征认证方法、介质及设备；该方法采用的自适应损失函数具有非常稳定和优越的性能表现，从而提升神经网络模型的性能，提高生物特征认证的准确率。
2、为了达到上述目的，本专利技术通过下述技术方案予以实现：一种基于自适应损失函数的生物特征认证方法，采用神经网络模型对待认证信息进行特征提取，然后根据提取到的特征得到生物认证结果；
3、所述神经网络模型训练时，采用自适应损失函数自适应损失函数为：
4、
5、其中，θl表示代理和归一化样本特征之间的角度；x表示输入到神经网络模型softmax函数的样本特征，l表示样本特征x的标签；wl表示神经网络模型softmax函数权重矩阵的第l行，s表示尺度系数；c为训练样本类别数量；a为常数；m表示自适应间隔系数；
6、所述自适应间隔系数m通过如下公式计算得到：
7、m＝max(ma+δm,mth)
8、
9、其中，ma表示当前间隔；mth表示设定的自适应间隔系数m的最小值；δm表示间隔差值；clamp表示截断操作，若超出范围，则截断为dmin或dmax；mu表示间隔探索的上限。
10、优选地，所述当前间隔ma的计算方法为：将每个归一化样本特征视作边界，则二维空间关于代理的对称位置对应存在一个镜像边界以神经网络模型softmax函数权重矩阵的各行向量作为代理，统计边界和镜像边界到除代理以外所有代理的角度集合α，以及所有代理间角度的集合β；
11、计算当前间隔ma：
12、ma＝min(α)-θl＝min(β)-2θl。
13、优选地，所述自适应间隔系数m的计算公式中，dmin＝0；dmax＝0.1。
14、优选地，所述自适应间隔系数m的计算过程进行梯度回传阻断操作。
15、一种可读存储介质，其中所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行所述的基于自适应损失函数的生物特征认证方法。
16、一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现所述的基于自适应损失函数的生物特征认证方法。
17、与现有技术相比，本专利技术具有如下优点与有益效果：
18、1、本专利技术，自适应损失函数中采用线性相似度度量函数，可以使损失函数的梯度值大小随着模型质量单调递减，从而在训练早期快速收敛并在训练后期精细地进行模型微调；
19、2、本专利技术，所提出的自适应间隔方法可以根据样本可分性和模型质量在每次迭代为样本分配定制的间隔系数；采用该方法可以对梯度值大小进行约束，避免过大的梯度值并提供合适大小的梯度值进行训练，从而使训练过程更加稳定；
20、3、本专利技术，所提出的线性相似度度量函数和自适应间隔方法优势互补，通过结合两种方法所获得最终的自适应损失函数具有非常稳定和优越的性能表现，从而提升神经网络模型的性能，提高生物特征认证的准确率。
本文档来自技高网...【技术保护点】
1.一种基于自适应损失函数的生物特征认证方法，其特征在于：采用神经网络模型对待认证信息进行特征提取，然后根据提取到的特征得到生物认证结果；
2.根据权利要求1所述的基于自适应损失函数的生物特征认证方法，其特征在于：所述当前间隔ma的计算方法为：将每个归一化样本特征视作边界，则二维空间关于代理的对称位置对应存在一个镜像边界以神经网络模型Softmax函数权重矩阵的各行向量作为代理，统计边界和镜像边界到除代理以外所有代理的角度集合α，以及所有代理间角度的集合β；
3.根据权利要求1所述的基于自适应损失函数的生物特征认证方法，其特征在于：所述自适应间隔系数m的计算公式中，Dmin＝0；Dmax＝0.1。
4.根据权利要求1所述的基于自适应损失函数的生物特征认证方法，其特征在于：所述自适应间隔系数m的计算过程进行梯度回传阻断操作。
5.一种可读存储介质，其特征在于，其中所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行权利要求1-4中任一项所述的基于自适应损失函数的生物特征认证方法。
6.一种计算机设备
...【技术特征摘要】
1.一种基于自适应损失函数的生物特征认证方法，其特征在于：采用神经网络模型对待认证信息进行特征提取，然后根据提取到的特征得到生物认证结果；
2.根据权利要求1所述的基于自适应损失函数的生物特征认证方法，其特征在于：所述当前间隔ma的计算方法为：将每个归一化样本特征视作边界，则二维空间关于代理的对称位置对应存在一个镜像边界以神经网络模型softmax函数权重矩阵的各行向量作为代理，统计边界和镜像边界到除代理以外所有代理的角度集合α，以及所有代理间角度的集合β；
3.根据权利要求1所述的基于自适应损失函数的生物特征认证方法，其特征在于：所述自适应间隔系数...
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。