【技术实现步骤摘要】
本申请涉及人脸识别，具体涉及一种模型训练方法、人脸识别方法、装置、设备、介质和产品。
技术介绍
1、目前在对人脸识别时具有多种方法，通常采用的是几何特征的人脸识别方法，具体的可以是对人脸中的眼睛、鼻子、嘴巴、下巴等面部特征的形状和结构关系进行几何描述，做为人脸识别的重要特征，这里的几何特征可以是眼睛、鼻子、嘴巴等特征与他们之间的几何关系，如相互之间的距离和角度等。
2、上述人脸识别的方法识别速度快，需要的内存小，但是识别精度低。
技术实现思路
1、本申请实施例的目的是提供一种模型训练方法、人脸识别方法、装置、设备、介质和产品，以快速精确的对人脸进行识别。
2、本申请的技术方案如下：
3、第一方面，提供了一种模型训练方法，该方法包括：
4、获取第一样本集，所述第一样本集中包括n个人的第一人脸图像，所述第一样本集包括支持集和查询集，n为正整数；
5、将所述第一样本集输入至第一特征编码器中，分别得到所述支持集对应的第一嵌入特征和第一查询图像对应的第二嵌入特征，以及将所述第一样本集输入至第二特征编码器中，分别得到所述支持集对应的第三嵌入特征和所述第一查询图像对应的第四嵌入特征，其中，所述第一查询图像为所述查询集中的第一对象的第一人脸图像；
6、根据所述第一嵌入特征和所述第二嵌入特征，计算所述支持集和所述第一查询图像之间的第一关系矩阵，以及根据所述第三嵌入特征和所述第四嵌入特征，计算所述支持集和所述第一查询图像之间的第二
7、基于所述第二关系矩阵，确定任务注意力矩阵；
8、通过逐元素乘法将所述任务注意力矩阵合并至所述第一关系矩阵中，得到加权关系矩阵；
9、基于所述加权关系矩阵与第一目标人脸图像，得到所述第一目标人脸图像为所述第一对象的预测分数，其中，所述第一目标人脸图像为所述第一样本集中的任一第一人脸图像；
10、根据所述预测分数，得到用于进行人脸识别的元模型。
11、第二方面，提供了一种人脸识别方法，该方法包括：
12、获取待识别人脸图像；
13、将所述待识别人脸图像输入至元模型中，得到所述待识别人脸图像的目标识别结果；
14、其中，所述元模型为第一方面所述的模型训练方法得到的元模型。
15、第三方面，提供了一种模型训练装置，该装置包括：
16、第一获取模块，用于获取第一样本集，所述第一样本集中包括n个人的第一人脸图像，所述第一样本集包括支持集和查询集，n为正整数；
17、第一确定模块，用于将所述第一样本集输入至第一特征编码器中，分别得到所述支持集对应的第一嵌入特征和第一查询图像对应的第二嵌入特征，以及将所述第一样本集输入至第二特征编码器中，分别得到所述支持集对应的第三嵌入特征和所述第一查询图像对应的第四嵌入特征，其中，所述第一查询图像为所述查询集中的第一对象的第一人脸图像；
18、第二确定模块，用于根据所述第一嵌入特征和所述第二嵌入特征，计算所述支持集和所述第一查询图像之间的第一关系矩阵，以及根据所述第三嵌入特征和所述第四嵌入特征，计算所述支持集和所述第一查询图像之间的第二关系矩阵；
19、第三确定模块，用于基于所述第二关系矩阵，确定任务注意力矩阵；
20、第四确定模块，用于通过逐元素乘法将所述任务注意力矩阵合并至所述第一关系矩阵中，得到加权关系矩阵；
21、第五确定模块，用于基于所述加权关系矩阵与第一目标人脸图像，得到所述第一目标人脸图像为所述第一对象的预测分数，其中，所述第一目标人脸图像为所述第一样本集中的任一第一人脸图像；
22、第六确定模块，用于根据所述预测分数，得到用于进行人脸识别的元模型。
23、第四方面，提供了一种人脸识别装置，该装置包括：
24、第一获取模块，用于获取待识别人脸图像；
25、第一确定模块，用于将所述待识别人脸图像输入至元模型中，得到所述待识别人脸图像的目标识别结果；其中，所述元模型为第一方面所述的模型训练方法得到的元模型。
26、第五方面，本申请实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现本申请实施例任一所述的模型训练方法的步骤，和/或，人脸识别方法的步骤。
27、第六方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现本申请实施例任一所述的模型训练方法的步骤，和/或，人脸识别方法的步骤。
28、第七方面，本申请实施例提供了一种计算机程序产品，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备能够执行本申请实施例任一所述的模型训练方法的步骤，和/或，人脸识别方法的步骤。
29、本申请的实施例提供的技术方案至少带来以下有益效果：
30、在本申请实施例中，通过将获取的第一样本集输入至第一特征编码器中，分别得到支持集对应的第一嵌入特征和第一查询图像对应的第二嵌入特征，以及将第一样本集输入至第二特征编码器中，分别得到支持集对应的第三嵌入特征和第一查询图像对应的第四嵌入特征，然后根据第一嵌入特征和第二嵌入特征，计算支持集和第一查询图像之间的第一关系矩阵，以及根据第三嵌入特征和第四嵌入特征，计算支持集和第一查询图像之间的第二关系矩阵，基于第二关系矩阵，确定任务注意力矩阵，该任务注意力矩阵可以自适应地提取出支持集中某一个查询嵌入特征的判别嵌入特征，通过逐元素乘法将任务注意力矩阵合并至第一关系矩阵中，如此可消除任务中相似嵌入特征形成的关系等一系列的噪声，强化具有区分度的嵌入特征，得到加权关系矩阵，基于加权关系矩阵与第一目标人脸图像，得到第一目标人脸图像为第一对象的预测分数，根据预测分数，得到消除了噪声用于进行人脸识别的元模型，如此可基于该元模型对人脸识别进行精确识别，提升了人力识别的精确性和效率。
31、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
本文档来自技高网...【技术保护点】
1.一种模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述获取第一样本集之前，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，N个人的第一人脸图像中包括每个人的K个不同角度的人脸图像，所述第一样本集还包括每个人的K个不同角度的人脸图像的标签图像，将每个人的K个不同角度的人脸图像和标签图像作为支持集，将所述第一样本集中除所述支持集外的样本作为查询集，K为正整数。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一嵌入特征和所述第二嵌入特征，计算所述支持集和所述第一查询图像之间的第一关系矩阵，包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述第三嵌入特征和所述第四嵌入特征，计算所述支持集和所述第一查询图像之间的第二关系矩阵，包括：
6.根据权利要求5所述的方法，其特征在于，所述基于所述第一关系矩阵，确定任务注意力矩阵，包括：
7.根据权利要求6所述的方法，其特征在于，所述基于所述加权关系矩阵与第一目标人脸图像，得到所述第一目标人脸图像为所述第
8.一种人脸识别方法，其特征在于，所述方法包括：
9.一种模型训练装置，其特征在于，所述装置包括：
10.一种人脸识别装置，其特征在于，所述装置包括：
11.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-7任一所述的模型训练方法的步骤，和/或，权利要求8所述的人脸识别方法的步骤。
12.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-7任一所述的模型训练方法的步骤，和/或，权利要求8所述的人脸识别方法的步骤。
13.一种计算机程序产品，其特征在于，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如权利要求1-7任一所述的模型训练方法的步骤，和/或，权利要求8所述的人脸识别方法的步骤。
...【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述获取第一样本集之前，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，n个人的第一人脸图像中包括每个人的k个不同角度的人脸图像，所述第一样本集还包括每个人的k个不同角度的人脸图像的标签图像，将每个人的k个不同角度的人脸图像和标签图像作为支持集，将所述第一样本集中除所述支持集外的样本作为查询集，k为正整数。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一嵌入特征和所述第二嵌入特征，计算所述支持集和所述第一查询图像之间的第一关系矩阵，包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述第三嵌入特征和所述第四嵌入特征，计算所述支持集和所述第一查询图像之间的第二关系矩阵，包括：
6.根据权利要求5所述的方法，其特征在于，所述基于所述第一关系矩阵，确定任务注意力矩阵，包括：
7.根据权利要求6所述的方法，其特征在于，所述基于所述加权关...
【专利技术属性】
技术研发人员：卢晨星，邓秘密，
申请(专利权)人：中国移动通信集团重庆有限公司，
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。