【技术实现步骤摘要】
技术介绍
1、在活体识别模型的对抗训练中，过拟合是一个需要特别关注的问题。过拟合指的是模型在训练集上表现良好，但在测试集(或实际应用中)的性能却大幅下降的现象，这通常意味着模型的泛化能力较弱。
2、在活体识别模型的对抗训练中，过拟合可能表现为：随着训练的进行，模型在训练集上的对抗鲁棒性(即模型识别对抗样本的能力)持续上升，但在测试集上的对抗鲁棒性却开始下降。同时，两者的分类精度可能也在持续上升，但测试集上的精度提升可能并不如训练集显著。
3、过拟合原因主要有以下几点：
4、模型复杂度过高：当模型的复杂度远高于问题的复杂度时，模型可能会学习到训练数据中的噪声和不必要的特征，导致过拟合。
5、训练数据不足：如果训练数据不足以支撑模型的复杂度，模型可能会过度拟合训练数据中的有限信息，从而无法泛化到新的数据。
6、数据不纯：训练数据中包含的噪声、错误标签或异常值可能导致模型学习到错误的特征。
7、以上
技术介绍
内容的公开仅用于辅助理解本专利技术的专利技术构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述
技术介绍
不应当用于评价本申请的新颖性和创造性。
技术实现思路
1、为此，本专利技术将对抗网络引入到活体模型训练过程中，根据属性判别器对身体标识进行分类，并通过条件生成网络生成属性模糊样本，通过迭代训练，使得活体模型过滤掉身份的影响，获得更加鲁棒的识别
2、第一方面，本专利技术提供一种基于对抗学习与数据增强的过拟合缓解方法，其特征在于，包括：
3、步骤s1：根据第一训练集对活体模型进行预训练，得到第一分类结果；
4、步骤s2：使用属性判别器对所述第一训练集进行属性标识，并根据所述属性标识、随机噪声向量和所述第一分类结果使条件生成网络生成第一属性模糊样本，并将所述第一属性模糊样本加入所述第一训练集，得到第二训练集；
5、步骤s3：根据所述第二训练集对所述活体模型进行训练，得到第二分类结果；
6、步骤s4：使用所述属性判别器根据所述属性标识、随机噪声向量和所述第二分类结果使所述条件生成网络生成第二属性模糊样本，并将所述第二属性模糊样本加入所述第二训练集，重复对所述活体模型进行训练，直至所述属性标识在所述第二分类结果的比例符合预设范围。
7、可选地，所述的一种基于对抗学习与数据增强的过拟合缓解方法，其特征在于，所述第一训练集中同一属性标识下既有活体，又有假体。
8、可选地，所述的一种基于对抗学习与数据增强的过拟合缓解方法，其特征在于，在生成所述第一属性模糊样本或所述第二属性模糊样本时，对于所述活体模型错误分类的样本去除属性标识，并保持标签不变，以去除属性标识对所述活体模型的影响。
9、可选地，所述的一种基于对抗学习与数据增强的过拟合缓解方法，其特征在于，步骤s2包括：
10、步骤s21：使用属性判别器对所述第一训练集中的第一图像进行识别，将同一个属性的图像标记为相同的属性标识，不同属性的图像标记为不同的属性标识；
11、步骤s22：对所述第一分类结果中错误的样本，和随机噪声向量一起输入条件生成网络，生成n个第一属性模糊样本；当所述属性判别器对所述第一属性模糊样本进行识别时，无法识别出属性标识；其中，n≥1；
12、步骤s23：将生成的所述第一属性模糊样本加入第一训练集，得到第二训练集。
13、可选地，所述的一种基于对抗学习与数据增强的过拟合缓解方法，适用于人脸活体模型，其特征在于，步骤s22包括：
14、步骤s221：对所述第一分类结果中错误的样本，获取人脸关键区域；其中，所述人脸关键区域至少包括眼镜、鼻子、嘴巴中的至少一个；
15、步骤s222：使用条件生成网络去除多个所述人脸关键区域中的一个，分别生成多个样本；
16、步骤s223：输入随机噪声向量，并使用所述条件生成网络修改或替换所述人脸关键区域，以使所述属性判别器无法识别出属性标识，得到多个样本。
17、可选地，所述的一种基于对抗学习与数据增强的过拟合缓解方法，适用于手掌活体模型，其特征在于，步骤s22包括：
18、步骤s224：对所述第一分类结果中错误的样本，获取手掌或静脉图案；
19、步骤s225：对于活体样本，通过条件生成网络用其他活体样本至少部分替换所述手掌或静脉图案，生成多个样本；
20、步骤s226：对于假体样本，将随机噪声向量输入条件生成网络，至少部分替换所述手掌或静脉图案，生成多个样本。
21、可选地，所述的一种基于对抗学习与数据增强的过拟合缓解方法，其特征在于，还包括：
22、步骤s227：对于假体样本，通过条件生成网络用活体样本至少部分替换所述手掌或静脉图案，生成多个样本。
23、第二方面，本专利技术提供一种基于对抗学习与数据增强的过拟合缓解系统，用于实现前述任一项所述的基于对抗学习与数据增强的过拟合缓解方法，其特征在于，包括：
24、第一训练模块，用于根据第一训练集对活体模型进行预训练，得到第一分类结果；
25、第一生成模块，用于使用属性判别器对所述第一训练集进行属性标识，并根据所述属性标识、随机噪声向量和所述第一分类结果使条件生成网络生成第一属性模糊样本，并将所述第一属性模糊样本加入所述第一训练集，得到第二训练集；
26、第二训练模块，用于根据所述第二训练集对所述活体模型进行训练，得到第二分类结果；
27、第二生成模块，用于使用所述属性判别器根据所述属性标识、随机噪声向量和所述第二分类结果使所述条件生成网络生成第二属性模糊样本，并将所述第二属性模糊样本加入所述第二训练集，重复对所述活体模型进行训练，直至所述属性标识在所述第二分类结果的比例符合预设范围。
28、第三方面，本专利技术提供一种基于对抗学习与数据增强的过拟合缓解设备，其特征在于，包括：
29、处理器；
30、存储器，其中存储有所述处理器的可执行指令；
31、其中，所述处理器配置为经由执行所述可执行指令来执行前述任一项所述基于对抗学习与数据增强的过拟合缓解方法的步骤。
32、第四方面，本专利技术提供一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现前述任一项所述基于对抗学习与数据增强的过拟合缓解方法的步骤。
33、与现有技术相比，本专利技术具有如下的有益效果：
34、本专利技术将对抗网络引入到活体模型的训练中，使得训练样本根据训练情况针对性地变化，可以及时矫正活体模型训练过程中出现的偏差，提高训练过程的稳定性，提高活体模型训练的成功率，也提高训练模型的泛化能力。
35、本专利技术利用对抗网络生成属性模糊样本，使得属性标识被定向去除，从而使得小样本集也可以训练出具本文档来自技高网...
【技术保护点】
1.一种基于对抗学习与数据增强的过拟合缓解方法，其特征在于，包括：
2.根据权利要求1所述的一种基于对抗学习与数据增强的过拟合缓解方法，其特征在于，所述第一训练集中同一属性标识下既有活体，又有假体。
3.根据权利要求1所述的一种基于对抗学习与数据增强的过拟合缓解方法，其特征在于，在生成所述第一属性模糊样本或所述第二属性模糊样本时，对于所述活体模型错误分类的样本去除属性标识，并保持标签不变，以去除属性标识对所述活体模型的影响。
4.根据权利要求1所述的一种基于对抗学习与数据增强的过拟合缓解方法，其特征在于，步骤S2包括：
5.根据权利要求4所述的一种基于对抗学习与数据增强的过拟合缓解方法，适用于人脸活体模型，其特征在于，步骤S22包括：
6.根据权利要求4所述的一种基于对抗学习与数据增强的过拟合缓解方法，适用于手掌活体模型，其特征在于，步骤S22包括：
7.根据权利要求6所述的一种基于对抗学习与数据增强的过拟合缓解方法，其特征在于，还包括：
8.一种基于对抗学习与数据增强的过拟合缓解系统，用于实现权
9.一种基于对抗学习与数据增强的过拟合缓解设备，其特征在于，包括：
10.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至7中任意一项所述基于对抗学习与数据增强的过拟合缓解方法的步骤。
...【技术特征摘要】
1.一种基于对抗学习与数据增强的过拟合缓解方法，其特征在于，包括：
2.根据权利要求1所述的一种基于对抗学习与数据增强的过拟合缓解方法，其特征在于，所述第一训练集中同一属性标识下既有活体，又有假体。
3.根据权利要求1所述的一种基于对抗学习与数据增强的过拟合缓解方法，其特征在于，在生成所述第一属性模糊样本或所述第二属性模糊样本时，对于所述活体模型错误分类的样本去除属性标识，并保持标签不变，以去除属性标识对所述活体模型的影响。
4.根据权利要求1所述的一种基于对抗学习与数据增强的过拟合缓解方法，其特征在于，步骤s2包括：
5.根据权利要求4所述的一种基于对抗学习与数据增强的过拟合缓解方法，适用于人脸活体模型，...
【专利技术属性】
技术研发人员：段兴，陈晨，林威宇，汪博，朱力，吕方璐，
申请(专利权)人：深圳市光鉴科技有限公司，
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。