一种基于调参的人脸类内类间距优化方法技术

一种基于调参的和可视化人脸类内类间距优化方法，包括：S1、小样本预调参，使用数据量小的样本，通过控制变量设置对照组，调整网络的参数，不断优化训练结果，对输出特征进行特征距离类内类间距计算，在小样本上确定训练结果好的参数；S2、大样本精确调参，使用所述S1中训练结果好的参数对大样本进行训练，最终挑选出类内类间距表现好的模型；S3、真实场景要用，将所述S2中挑选出的模型应用到真实场景数据上，并对模型进行轻微调参。并对模型进行轻微调参。并对模型进行轻微调参。

【技术实现步骤摘要】
一种基于调参的人脸类内类间距优化方法


[0001]本专利技术涉及人脸识别领域，具体为一种基于调参的人脸类内类间距优化方法。

技术介绍

[0002]人脸识别技术，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，主要是通过人脸图像特征的提取与对比来进行的。人脸识别系统将提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。因此人脸的特征提取工作是人脸识别技术的关键。
[0003]人脸特征提取方法主要分为两大类：1、基于知识的表征方法(主要包括基于几何特征法和模板匹配法)：2、基于代数特征和深度学习的表征方法。其中第二种方式是目前人脸识别技术的主流方式，通过像神经网络输入大量人脸样本并对其提取特征并进行分类。每一张人脸照片提取出一个特征，同一个人的不同照片提取出来的特征划分为同一类别，而不同人则为不同的类别。若想要在特征匹配时获得更高的精度，则要求同一个类别的多个特征之间的差距更小，而不同类别的特征之间差距更大。同一个类别的不同特征之间的差异称为类内特征距离，简称类内距；不同类别之间的特征之间的差异称为类间特征距离，称为类间距。
[0004]理论上对类内类间距起决定因素的主要是分类器的选择，即选择合适的Loss Function(损失函数)，但是仅仅通过选择在测试集上表现较好的损失函数，在实际应用中往往达不到理想的效果，对获得更好的分类结果造成困扰。
[0005]不难看出，现有技术中还存在诸多问题。

技术实现思路

[0006]为此，为了解决现有技术中的上述问题，本专利技术提出一种基于调参的和可视化人脸类内类间距优化方法。
[0007]本专利技术通过以下技术手段解决上述问题：
[0008]一种基于调参的和可视化人脸类内类间距优化方法，包括：
[0009]S1、小样本预调参，使用数据量小的样本，通过控制变量设置对照组，调整网络的参数，不断优化训练结果，对输出特征进行特征距离类内类间距计算，通过读取输出特征、自动计算特征距离、导入表格并以图表的形式显示，形成可视化类内类间距模块，最终在小样本上确定训练结果好的参数；
[0010]S2、大样本精确调参，使用所述S1中训练结果好的参数对大样本进行训练，最终挑选出类内类间距表现好的模型；
[0011]S3、真实场景要用，将所述S2中挑选出的模型应用到真实场景数据上，并对模型进
行轻微调参。
[0012]进一步的，所述S1包括：
[0013]S11、挑选各类别均衡，照片总数在千张级别的纯净数据集作为首次训练的数据集，收集在训练中会用到的预训练模型、网络结构以及损失函数；
[0014]S12、使用不同的网络结构对所述S11中挑选的数据集进行训练，输出模型；
[0015]S13、输出所述S12中模型的类内类间距，保留类内类间距效果最优的模型；
[0016]S14、使用所述S13中最优的模型，加入预训练模型进行训练，输出模型；
[0017]S15、输出所述S14中模型的类内类间距，保留效果最优的模型；
[0018]S16、尝试不同的损失函数，在所述S15输出的模型基础上进行再训练，输出模型；
[0019]S17、输出所述S16中模型的类内类间距，保留效果最优的模型，并记录该模型训练的预训练模型、网络结构以及损失函数的使用情况。
[0020]进一步的，所述S2包括：
[0021]S21、挑选各类别照片均衡，照片总数在万张级别的纯净数据集作为二次训练的数据；
[0022]S22、使用所述S17中得到的最优模型的参数对所述S21中二次训练的数据进行训练，输出模型；
[0023]S23、输出所述S22中输出的模型的类内类间距，并与小样本情况下的类内类间距进行比较，观察该模型表现在大样本上性能是否下滑，过滤掉效果较差的参数组合；
[0024]S24、调整所述S23中保留的模型的参数，对所述S23中保留的模型再训练，输出模型；
[0025]S25、输出所述S24中输出的模型的类内类间距，挑选类内类间距表现最优的模型。
[0026]进一步的，所述S13中输出所述S12中模型的类内类间距为可视化模块。
[0027]进一步的，所述S15中输出所述S14中模型的类内类间距为可视化模块。
[0028]进一步的，所述S17中输出所述S16中模型的类内类间距为可视化模块。
[0029]进一步的，所述S23中输出所述S22中模型的类内类间距为可视化模块。
[0030]进一步的，所述S25中输出所述S24中模型的类内类间距为可视化模块
[0031]目前的训练过程中过多依赖在训练集上跑出较好效果的参数配置以及榜单上较好的网络模型，本专利技术提供的一种基于调参的和可视化人脸类内类间距优化方法仅仅对参数进行简单调整的情况做出改进，将调参范围扩大，针对预训练模型、网络结构、分类器以及训练参数都进行调整，设计出这一套精细调参的流程。在第一部分预调参中，每一步都与前一步形成对照组，对照模型的表现找到优化的方向。设计了类内类间距的可视化模块，模型输入模块，输出可视化图表，方便对比模型提升效果。通过脚本文件将模型的训练和效果输出耦合在一起，训练完后模型直接输入可视化模块，并且脚本文件提供修改参数的接口，方便调整训练参数，实现半自动化调参。
附图说明
[0032]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例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专利技术的一些实施例，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。
[0033]图1是本专利技术所述的一种基于调参的和可视化人脸类内类间距优化方法的架构图；
[0034]图2是本专利技术所述的一种基于调参的和可视化人脸类内类间距优化方法的流程简化图。
具体实施方式
[0035]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面将结合附图和具体的实施例对本专利技术的技术方案进行详细说明。需要指出的是，所描述的实施例子仅仅是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0036]实施例
[0037]如图1所示，本专利技术提供的一种基于调参的和可视化人脸类内类间距优化方法，该方法主要先使用数据量较小的样本，通过控制变量设置对照组，来调整网络的参数，不断优化训练结果，对输出特征进行特征距离计算并以可视化(表格或图表)方式呈现，最终在小样本上确定训练结果较好的参数，应用到大数据量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于调参的和可视化人脸类内类间距优化方法，其特征在于，包括：S1、小样本预调参，使用数据量小的样本，通过控制变量设置对照组，调整网络的参数，不断优化训练结果，对输出特征进行特征距离类内类间距计算，在小样本上确定训练结果好的参数；S2、大样本精确调参，使用所述S1中训练结果好的参数对大样本进行训练，最终挑选出类内类间距表现好的模型；S3、真实场景要用，将所述S2中挑选出的模型应用到真实场景数据上，并对模型进行轻微调参。2.根据权利要求1所述的基于调参的和可视化人脸类内类间距优化方法，其特征在于，所述S1包括：S11、挑选各类别均衡，照片总数在千张级别的纯净数据集作为首次训练的数据集，收集在训练中会用到的预训练模型、网络结构以及损失函数；S12、使用不同的网络结构对所述S11中挑选的数据集进行训练，输出模型；S13、输出所述S12中模型的类内类间距，保留类内类间距效果最优的模型；S14、使用所述S13中最优的模型，加入预训练模型进行训练，输出模型；S15、输出所述S14中模型的类内类间距，保留效果最优的模型；S16、尝试不同的损失函数，在所述S15输出的模型基础上进行再训练，输出模型；S17、输出所述S16中模型的类内类间距，保留效果最优的模型，并记录该模型训练的预训练模型、网络结构以及损失函数的使用情况。3.根据权利要求2所述的基于调参的和可视化人脸类内类间距优化方法，其特...

【专利技术属性】
技术研发人员：安民洙，葛晓东，姜贺，
申请(专利权)人：广东光速智能设备有限公司，
类型：发明
国别省市：