【技术实现步骤摘要】
模型训练方法、人脸识别方法、装置、设备及存储介质
本申请涉及人工智能
,尤其涉及一种模型训练方法、一种跨年龄人脸识别方法、装置、设备及存储介质。
技术介绍
现阶段,跨年龄人脸识别问题是人脸识别领域面临的重大挑战之一,年龄变化使得人脸图像具有更复杂的多样性,极大增加了人脸识别的难度,跨年龄人脸识别技术仍然处于探索阶段。现有的跨年龄人脸识别主要采用判别式方案,其主要是基于身份判别和年龄判别的多任务学习来进行的,但,由于身份特征和年龄特征通常具有一定程度上的关联性,如此,身份特征就会包括一些年龄信息,使得人脸识别结果并不可靠。因此,如何提高跨年龄人脸识别的性能是目前亟需解决的问题。
技术实现思路
本申请提供了一种模型训练方法,通过分离身份特征和年龄特征,利用身份判别器和年龄判别器进行联合学习以及去相关性训练得到特征提取模块,该特征提取模块对于身份特征和年龄特征具有较高的识别精度,将其用于跨年龄人脸识别,能够提高识别结果可靠性。本申请还提供了对应的装置、设备及介质。有鉴于此,本申请第一方面提供了一种模型训练方法,所述方法包括:获取训练批数据,所述训练批数据包括多个训练样本,每个所述训练样本包括样本图像及样本图像对应的身份标签和年龄标签;针对所述训练批数据中每个所述训练样本,通过特征提取模块获得所述训练样本中样本图像对应的身份特征和年龄特征,并通过典型相关映射模块获得所述身份特征和所述年龄特征各自对应的典型相关映射变量;基于所述训练批数据中每个所述训练样本对应的所述典型相关映射变量,通过批相关系数度量模块统计所述训练批数据对应的相关系数;通过身份判别器和年龄判别器 ...
【技术保护点】
1.一种模型训练方法,其特征在于,包括:获取训练批数据,所述训练批数据包括多个训练样本,每个所述训练样本包括样本图像及样本图像对应的身份标签和年龄标签;针对所述训练批数据中每个所述训练样本,通过特征提取模块获得所述训练样本中样本图像对应的身份特征和年龄特征,并通过典型相关映射模块获得所述身份特征和所述年龄特征各自对应的典型相关映射变量;基于所述训练批数据中每个所述训练样本对应的所述典型相关映射变量,通过批相关系数度量模块统计所述训练批数据对应的相关系数;通过身份判别器和年龄判别器进行联合监督学习,并通过所述相关系数进行所述身份特征和所述年龄特征的去相关性训练,训练得到满足训练目标的所述特征提取模块。
【技术特征摘要】
1.一种模型训练方法,其特征在于,包括:获取训练批数据,所述训练批数据包括多个训练样本,每个所述训练样本包括样本图像及样本图像对应的身份标签和年龄标签;针对所述训练批数据中每个所述训练样本,通过特征提取模块获得所述训练样本中样本图像对应的身份特征和年龄特征,并通过典型相关映射模块获得所述身份特征和所述年龄特征各自对应的典型相关映射变量;基于所述训练批数据中每个所述训练样本对应的所述典型相关映射变量,通过批相关系数度量模块统计所述训练批数据对应的相关系数;通过身份判别器和年龄判别器进行联合监督学习,并通过所述相关系数进行所述身份特征和所述年龄特征的去相关性训练,训练得到满足训练目标的所述特征提取模块。2.根据权利要求1所述的方法,其特征在于,所述去相关性训练包括:交替执行的如下两个训练步骤:固定所述特征提取模块的参数,通过更新所述典型相关映射模块的参数使得所述相关系数的绝对值最大;固定所述典型相关映射模块的参数,通过更新所述特征提取模块、所述身份判别器和所述年龄判别器各自的参数使得训练损失达到最小,所述训练损失是根据对抗损失、所述身份判别器的损失和所述年龄判别器的损失确定的,所述对抗损失是根据相关系数确定的。3.根据权利要求2所述的方法,其特征在于,通过以下方式确定所述训练损失:对所述对抗损失、所述身份判别器的损失和所述年龄判别器的损失进行加权求和,将加权求和结果作为所述训练损失。4.根据权利要求2所述的方法,其特征在于,所述身份判别器的损失采用增大间隔余弦损失函数,以及,所述年龄判别器的损失采用交叉熵损失函数。5.根据权利要求1至4任一项所述的方法,其特征在于,所述特征提取模块包括:级联的初始特征提取模块和残差分解模块;其中,所述初始特征提取模块,用于通过卷积神经网络提取人脸图像的初始特征;所述残差分解模块,用于通过残差网络对所述初始特征进行线性分解得到身份特征和年龄特征。6.根据权利要求5所述的方法,其特征在于,通过初始特征提取模块提取人脸图像的初始特征,再通过残差网络获取人脸图像的年龄特征,确定人脸图像的初始特征与人脸图像的年龄特征的差值,作为人脸图像的身份特征。7.一种跨年龄人脸识别方法,其特征在于,包括:获取第一人脸图像和第二人脸图像;通过预先训练的特征提取模块获取所述第一人脸图像中人脸部分的身份特征作为第一身份特征,并通过所述特征提取模块获取所述第二人脸图像中人脸部分的身份特征作为第二身份特征;所述特征提取模块为通过上述权利要求1至6中任一项所述模型训练方法训练生成的;根据所述第一身份特征和所述第二身份特征确定所述第一人脸图像与所述第二人脸图像中人脸的相似度;显示识别结果,所述识别结果包括所述相似度。8.一种模型训练装置,其特征在于,包括:获取单元,用于获取训练批数据,所述训练批数据包括多个训练样本,每个所述训练样本包括样本图像及样本图像对...
【专利技术属性】
技术研发人员:王浩,龚迪洪,李志鋒,刘威,
申请(专利权)人:腾讯科技深圳有限公司,
类型:发明
国别省市:广东,44
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。