[发明专利]用于图像性别分类的神经网络训练方法及装置

权利要求书

1.一种用于图像性别分类的神经网络训练方法，其特征在于，所述方法包括：

将训练图像集输入至特征提取网络模型进行特征提取，以得到图像轮廓特征信息；

将所述训练图像集输入至第一性别分类网络模型，以得到图像性别特征信息；

将所述图像轮廓特征信息与所述图像性别特征信息进行融合，得到图像融合特征信息；

将所述图像融合特征信息输入至第二性别分类网络模型进行训练，直到收敛，得到目标神经网络模型；所述目标神经网络模型用于对输入图像的性别进行分类。

2.根据权利要求1所述的用于图像性别分类的神经网络训练方法，其特征在于，所述图像轮廓特征信息为多通道多层次的图像轮廓特征信息；所述特征提取网络模型包括有多个用于分别提取不同层次的轮廓特征的特征提取层和相应的多个用于统一尺寸的尺寸统一层；所述将训练图像集输入至特征提取网络模型进行特征提取，以得到图像轮廓特征信息，包括：

将训练图像集输入至多个所述特征提取层，以输出多个不同尺寸的图像轮廓特征；

将每一所述特征提取层输出的所述图像轮廓特征输入至对应的所述尺寸统一层，以得到多个同一尺寸的图像轮廓特征；

将所述多个同一尺寸的图像轮廓特征确定为图像轮廓特征信息。

3.根据权利要求2所述的用于图像性别分类的神经网络训练方法，其特征在于，所述多个特征提取层为多个依次级联的卷积层，其中每一所述卷积层的输出均连接至一所述尺寸统一层。

4.根据权利要求1所述的用于图像性别分类的神经网络训练方法，其特征在于，所述将所述图像融合特征信息输入至第二性别分类网络模型进行训练，直到收敛，得到目标神经网络模型，包括：

将所述图像融合特征信息输入至第二性别分类网络模型进行训练；

基于反向传播，不断更新所述第一性别分类网络模型和/或所述第二性别分类网络模型的模型参数，直至第一损失函数收敛，以得到目标神经网络模型。

5.根据权利要求4所述的用于图像性别分类的神经网络训练方法，其特征在于，所述第一损失函数为所述第二性别分类网络模型输出的性别预测信息与对应的训练图像的真实性别标签的softmax损失。

6.根据权利要求1所述的用于图像性别分类的神经网络训练方法，其特征在于，所述方法还包括：

使用数据增强算法对所述训练图像集进行处理，以得到包括更多训练图像的训练图像集。

7.根据权利要求6所述的用于图像性别分类的神经网络训练方法，其特征在于，所述方法还包括：

将轮廓训练图像集输入至特征提取网络训练模型进行训练，直到所述特征提取网络训练模型的第二损失函数收敛，以得到所述特征提取网络模型；其中所述特征提取网络训练模型包括所述特征提取网络模型以及连接至所述特征提取网络模型的输出的单通道特征卷积层。

8.一种用于图像性别分类的神经网络训练装置，其特征在于，所述装置包括：

轮廓提取模块，用于将训练图像集输入至特征提取网络模型进行特征提取，以得到图像轮廓特征信息；

性别提取模块，用于将所述训练图像集输入至第一性别分类网络模型，以得到图像性别特征信息；

融合模块，用于将所述图像轮廓特征信息与所述图像性别特征信息进行融合，得到图像融合特征信息；

训练模块，用于将所述图像融合特征信息输入至第二性别分类网络模型进行训练，直到收敛，得到目标神经网络模型；所述目标神经网络模型用于对输入图像的性别进行分类。

9.一种用于图像性别分类的神经网络训练装置，其特征在于，所述装置包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的用于图像性别分类的神经网络训练方法。

10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的用于图像性别分类的神经网络训练方法。