[发明专利]基于深度学习的人脸识别方法、装置、设备及介质

权利要求书

1.一种基于深度学习的人脸识别方法，其特征在于，包括：

基于深度可分离卷积构建预设数量的中间层，并基于所述预设数量的中间层构建主干网络结构；

基于BatchNorm构建所述预设数量的对齐层，并基于所述预设数量的对齐层构建所述预设数量的分支；

连接所述主干网络结构及所述预设数量的分支，得到初始网络；

构建所述预设数量的对齐层的第一损失函数、每个分支的第二损失函数，及所述主干网络结构的第三损失函数，并根据所述第一损失函数、每个第二损失函数及所述第三损失函数构建所述初始网络的总损失函数；

获取训练样本，并利用所述训练样本，基于所述总损失函数对所述初始网络进行自知识蒸馏训练；

在训练过程中，当所述总损失函数达到收敛时，停止训练，并获取当前网络；

在所述当前网络中，从每个分支的第二损失函数中获取与所述第一损失函数的取值的差的绝对值最小，且所述绝对值小于或者等于预设阈值的第二损失函数作为目标损失函数，并将所述目标损失函数对应的分支确定为目标分支；

从所述当前网络中删除所述目标分支以外的其他分支，及删除与所述其他分支连接的中间层，得到人脸识别模型；

获取待识别图像，将所述待识别图像输入至所述人脸识别模型进行人脸识别，并获取所述人脸识别模型的输出数据作为人脸识别结果。

2.根据权利要求1所述的基于深度学习的人脸识别方法，其特征在于，每个中间层包括第一3*3深度可分离卷积层、第二3*3深度可分离卷积层、1*1压缩卷积层及1*1扩张卷积层，所述方法还包括：

在每个中间层中，将原始数据输入至所述第一3*3深度可分离卷积层，并利用Swish激活函数对所述第一3*3深度可分离卷积层的输出数据进行处理，得到第一输出数据；

将所述第一输出数据输入至所述1*1压缩卷积层，并利用Linear映射函数对所述1*1压缩卷积层的输出数据进行处理，得到第二输出数据；

将所述第二输出数据输入至所述1*1扩张卷积层，并利用所述Swish激活函数对所述1*1扩张卷积层的输出数据进行处理，得到第三输出数据；

将所述第三输出数据输入至所述第二3*3深度可分离卷积层；

计算所述第二3*3深度可分离卷积层的输出数据与所述原始数据的和作为对应的所述中间层的输出数据。

3.根据权利要求1所述的基于深度学习的人脸识别方法，其特征在于，所述基于所述预设数量的中间层构建主干网络结构包括：

将所述预设数量的中间层进行首尾相接，得到中间层结构；

在所述中间层结构的输出数据上连接全连接层，得到所述主干网络结构。

4.根据权利要求1所述的基于深度学习的人脸识别方法，其特征在于，每个中间层的输出数据连接一个对齐层，每个对齐层的输出数据连接一个全连接层，一个对齐层与一个全连接层组成一个分支；每个对齐层包括第一1*1卷积层、第一BatchNorm层、第一3*3卷积层、第二BatchNorm层、第二1*1卷积层及第三BatchNorm层；在基于BatchNorm构建所述预设数量的对齐层后，所述方法还包括：

在每个对齐层中，将与所述对齐层连接的中间层的输出数据输入至所述第一1*1卷积层，将所述第一1*1卷积层的输出数据输入至所述第一BatchNorm层，并利用线性整流函数对所述第一BatchNorm层的输出数据进行激活处理，得到第四输出数据；

将所述第四输出数据输入至所述第一3*3卷积层，将所述第一3*3卷积层的输出数据输入至所述第二BatchNorm层，并利用线性整流函数对所述第二BatchNorm层的输出数据进行激活处理，得到第五输出数据；

将所述第五输出数据输入至所述第二1*1卷积层，将所述第二1*1卷积层的输出数据输入至所述第三BatchNorm层，得到第六输出数据；

计算所述第四输出数据与所述第六输出数据的和，得到所述对齐层的输出数据。