【技术实现步骤摘要】
人脸属性预测网络生成方法、人脸属性预测方法及装置
[0001]本申请属于图像处理
,尤其涉及一种人脸属性预测网络生成方法
、
人脸属性预测方法及装置
。
技术介绍
[0002]一张人脸图像所包含的信息是非常丰富的,在实际应用中,需要对人脸图像中的人脸进行属性预测,以获取与人脸对应的多个属性
。
例如,对人脸图像进行属性预测,获取人脸对应的性别属性
、
年龄属性等
。
[0003]由此,为获取人脸图像中人脸对应的多个属性而设计多任务属性预测方法,以便于能够同时获取与人脸对应的多个属性,至关重要
。
[0004]相关技术中,采用的多任务属性预测方法为基于卷积神经网络的监督学习模型
。
[0005]然而,对上述模型进行训练时,需要先对样本人脸图像集中每帧样本人脸图像设置人脸对应的属性标签才能训练,而对每帧样本人脸图像设置属性标签会消耗大量的时间及人力成本,导致模型的训练效率较低
。
技术实现思路
[0006]本申请提供了一种人脸属性预测网络生成方法
、
人脸属性预测方法及装置,可以避免训练网络时对样本人脸图像集中每帧样本人脸图像设置属性标签而消耗大量的时间及人力成本,保证了网络的训练效率,节省了时间成本和人力资源
。
[0007]第一方面,本申请提供一种人脸属性预测网络生成方法,包括:
[0008]获取样本人脸图像集,所述样本人脸图像集包括多帧样本人脸
【技术保护点】
【技术特征摘要】
1.
一种人脸属性预测网络生成方法,其特征在于,包括:获取样本人脸图像集,所述样本人脸图像集包括多帧样本人脸图像;对每帧样本人脸图像进行增广处理,得到第一增广图像和第二增广图像,所述第一增广图像和所述第二增广图像保持与对应的样本人脸图像中人脸对应的属性相同;根据多个所述第一增广图像和多个所述第二增广图像,对第一分支网络和第二分支网络进行交替训练,得到训练后的第一分支网络,以使所述训练后的第一分支网络通过所述第一分支网络与所述第二分支网络的相互监督能够提取人脸图像中人脸对应的属性的特征,所述人脸对应的属性至少包括年龄属性和性别属性;将所述训练后的第一分支网络确定为人脸属性预测网络
。2.
如权利要求1所述的方法,其特征在于,所述根据多个所述第一增广图像和多个所述第二增广图像,对第一分支网络和第二分支网络进行交替训练,得到所述训练后的第一分支网络,包括:将多个所述第一增广图像输入到所述第一分支网络中,输出第一特征,并将多个所述第二增广图像输入到所述第二分支网络中,输出第二特征;将多个所述第二增广图像输入到所述第一分支网络中,输出第三特征,并将多个所述第一增广图像输入到所述第二分支网络中,输出第四特征;根据所述第一特征
、
所述第二特征
、
所述第三特征和所述第四特征,调整所述第一分支网络的网络参数,得到所述训练后的第一分支网络
。3.
如权利要求2所述的方法,其特征在于,所述第一分支网络包括第一主干网络和初始预测网络,所述第一主干网络用于提取人脸图像中人脸的特征,所述初始预测网络用于提取人脸图像中所述人脸对应的属性的特征;所述第二分支网络包括第二主干网络,所述第二主干网络用于提取人脸图像中人脸的特征
。4.
如权利要求3所述的方法,其特征在于,所述根据所述第一特征
、
所述第二特征
、
所述第三特征和所述第四特征,调整所述第一分支网络的网络参数,得到所述训练后的第一分支网络,包括:根据所述第一特征
、
所述第二特征
、
所述第三特征和所述第四特征,确定对称损失函数或优化后的所述对称损失函数;根据所述对称损失函数或优化后的所述对称损失函数,调整所述初始预测网络的网络参数;根据所述对称损失函数或优化后的所述对称损失函数与所述初始预测网络包括的属性预测模块的数量,确定总损失函数;根据所述总损失函数,调整所述第一主干网络的网络参数;将调整后的所述初始预测网络连接在调整后的所述第一主干网络的输出端,得到所述训练后的第一分支网络
。5.
如权利要求4所述的方法,其特征在于,所述根据所述第一特征
、
所述第二特征
、
所述第三特征和所述第四特征,确定所述对称损失函数或优化后的所述对称损失函数,包括:将所述第一特征和所述第二特征之间的相似度,确定为第一相似...
【专利技术属性】
技术研发人员:袁瑾,肖嵘,王孝宇,
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。