[发明专利]一种卷积神经网络模型的训练方法及其设备

权利要求书

1.一种卷积神经网络模型的训练方法，其特征在于，包括：

获取人脸图像；

使用预置的卷积神经网络模型对所述人脸图像进行图像训练，得到属性判断结果，所述属性判断结果包括多个属性以及所述多个属性中的每一个属性所对应的概率；

通过交叉熵函数和所述人脸图像的真实属性对所述属性判断结果进行评价，得到评价结果；

根据所述评价结果更新所述卷积神经网络模型中各个参数的权重，得到更新后的卷积神经网络模型。

2.根据权利要求1所述方法，其特征在于，所述使用卷积神经网络模型对所述人脸图像进行图像训练包括：

对所述人脸图像进行人脸对齐，得到对齐后的人脸图像；

使用所述卷积神经网络模型对所述对齐后的人脸图像进行训练。

3.根据权利要求1所述方法，其特征在于，所述使用预置的卷积神经网络模型对所述人脸图像进行训练包括：

对所述人脸图像进行图像张量化，得到图像张量化后的人脸图像；

使用预置的卷积神经网络模型对所述图像张量化后的人脸图像进行图像训练。

4.根据权利要求1-3中任一项所述方法，其特征在于，所述卷积神经网络模型的卷积层的卷积核的大小为3×3的滤波器，卷积步长为1，且所述卷积神经网络模型中的最大池化层的步长为2，采样滑动窗口为2×2。

5.根据权利要求4所述方法，其特征在于，所述卷积神经网络模型包括5层卷积层、5层最大池化层和2层全连层。

6.根据权利要求5所述方法，其特征在于，所述卷积神经网络模型中的所述5层卷积层、所述5层最大池化层和所述2层全连层依次为：第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第四卷积层、第四最大池化层、第五卷积层、第五最大池化层、第一全连层、第二全连层。

7.根据权利要求1-3中任一项所述方法，其特征在于，所述使用预置的卷积神经网络模型对所述人脸图像进行图像训练，得到属性判断结果包括：

使用所述卷积神经网络模型对所述人脸图像进行图像训练，得到预置个数的矩阵；

使用分类算法预估所述预置个数的矩阵中的各个矩阵所对应的所述多个属性中的各个属性的概率分布；

根据所述多个属性中的各个属性的概率分布估计所述人脸图像的属性。

8.一种卷积神经网络模型的训练设备，其特征在于，包括：

获取模块，用于获取人脸图像；

训练模块，用于使用预置的卷积神经网络模型对所述人脸图像进行图像训练，得到属性判断结果，所述属性判断结果包括多个属性以及所述多个属性中的每一个属性所对应的概率；

评价模块，用于通过交叉熵函数和所述人脸图像的真实属性对所述属性判断结果进行评价，得到评价结果；

更新模块，用于根据所述评价结果更新所述卷积神经网络模型中各个参数的权重，得到更新后的卷积神经网络模型。

9.根据权利要求8所述设备，其特征在于，所述训练模块包括：

对齐子模块，用于对所述人脸图像进行人脸对齐得到对齐后的人脸图像；

第一训练子模块，用于使用所述卷积神经网络模型对所述对齐后的人脸图像进行训练。

10.根据权利要求8所述设备，其特征在于，所述训练模块包括：

张量子模块，用于对所述人脸图像进行图像张量化，得到图像张量化后的人脸图像；

第二训练子模块，用于使用预置的卷积神经网络模型对所述图像张量化后的人脸图像进行图像训练。

11.根据权利要求8所述设备，其特征在于，所述训练模块包括：

第三训练子模块，用于使用所述卷积神经网络模型对所述人脸图像进行图像训练，得到预置个数的矩阵；

预估子模块，用于使用分类算法预估所述预置个数的矩阵中的各个矩阵所对应的所述多个属性中的各个属性的概率分布；

估计子模块，用于根据所述多个属性中的各个属性的概率分布估计所述人脸图像的属性。