[发明专利]细粒度人脸识别模型的构建方法、识别方法以及构建装置

说明书

本申请公开了一种细粒度人脸识别模型的构建方法、识别方法以及构建装置，所述方法包括：确定超分辨率网络和人脸属性识别网络；将所述超分辨率网络和人脸属性识别网络以级联的方式组合，得到所述细粒度人脸识别模型；对所述人脸识别模型进行端到端的联合训练，直至满足联合训练停止条件。通过将超分辨率网络引入人脸属性识别网络，缓解了不同分辨率对分类任务造成的影响；并且通过上述联合训练方式，给超分辨率网络引入高层次的语义监督信息，并且通过端到端的训练，极大地提高了分类性能增益。

技术领域

本申请涉及细粒度图形分类技术领域，具体涉及一种细粒度人脸识别模型的构建方法、识别方法、构建装置、电子设备和可读存储介质。

背景技术

细粒度图像分类是计算机视觉领域的一个热门研究课题，其目的是对属于同一基础类别的图像进行更加细致的子类划分,但由于子类别间细微的类间差异以及较大的类内差异,较之普通的图像分类任务,细粒度图像分类难度更大。

目前细粒度图像分类方案主要通过分割出图片的强区分性区域和姿态对齐两种方式来提升分类精度。对于不同分辨率的图像，仅通过简单的上采样和下采样进行尺度对齐，而没有考虑到实际场景中不同分辨率造成的图像模糊带来的影响。且现有的超分辨率方案主要是低层次的像素级图像复原，没有考虑高层次的图像语义信息，将超分辨率应用到其他图像相关任务的过程中，现有技术大多采用分阶段训练的方式，分别优化超分辨率网络和其他图像任务相关的网络。这种情况下，超分辨率在图像去模糊的同时，无法针对具体任务对图像的强区分性区域进行有针对性的加强。

发明内容

鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的一种细粒度人脸识别模型的构建方法、识别方法、构建装置、电子设备和可读存储介质。

依据本申请的一个方面，提供了一种细粒度人脸识别模型的构建方法，所述方法包括：

确定超分辨率网络和人脸属性识别网络；

将所述超分辨率网络和人脸属性识别网络以级联的方式组合，得到所述细粒度人脸识别模型；

对所述细粒度人脸识别模型进行端到端的联合训练，直至满足联合训练停止条件。

可选的，所述确定超分辨率网络和人脸属性识别网络的步骤包括：

以EDSR网络为基础，构建所述超分辨率网络；

以ResNet系列网络为基础，构建所述人脸属性识别网络，且所述人脸属性识别网络包括如下的一个或多个网络层：拼接层、卷积层、全局平均池化层以及全连接层。

可选的，所述确定超分辨率网络和人脸属性识别网络包括：

采用经对齐的高分辨率的图像组成的训练集分别对所述超分辨率网络和所述人脸属性识别网络进行预训练；

采用高分辨率的图像或低分辨率的图像组成的不同测试集分别对所述超分辨率网络和所述人脸属性识别网络进行验证；

其中所述低分辨率的图像是由高分辨率的图像下采样后再通过线性插值上采样回原尺寸得到。

可选的，所述将所述超分辨率网络和人脸属性识别网络以级联的方式组合，得到所述细粒度人脸识别模型包括：

将所述超分辨率网络中损失函数之前部分的输出端连接至所述人脸属性识别网络的输入端，得到细粒度人脸识别模型。

可选的，所述对所述细粒度人脸识别模型进行端到端的联合训练，直至满足联合训练停止条件包括：

采用经对齐的低分辨率的图像组成的训练集对所述细粒度人脸识别模型进行端到端的联合训练，并根据所述超分辨率网络的损失函数的输出监督所述超分辨率网络的训练结果。