[发明专利]基于深度学习的人脸识别方法、装置、设备及介质

说明书

本发明涉及人工智能领域，提供一种基于深度学习的人脸识别方法、装置、设备及介质，能够基于深度可分离卷积构建中间层及主干网络结构，基于BatchNorm构建对齐层及分支，基于总损失函数对主干网络结构及分支构成的初始网络进行自知识蒸馏训练，有效缩短了模型在训练过程中的收敛时间，提升了模型网络的参数利用与效能收敛，以主干网络结构开始训练，直至将知识蒸馏到分支中，以较低的成本搜索到相较于原有的主干网络结构损失更小的分支，删除目标分支以外的其他分支及与其他分支连接的中间层，得到人脸识别模型进行人脸识别，进而利用轻量化模型实现更准确的人脸识别。此外，本发明还涉及区块链技术，人脸识别模型可存储于区块链节点中。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于深度学习的人脸识别方法、装置、设备及介质。

背景技术

随着人工智能的发展，很多领域都涉及到人脸识别技术的应用，例如，在服务体系升级的场景里，证件冒办反欺诈、人脸活体检测、基于客户历史数据识别高风险客户/用户、大数据反洗黑钱等任务都需要进行人脸识别。

但是，现有技术中常采用的mobilenetv1、mobilenetv2、mobilenetv3及逆残差等结构在精度、速度上都还有待提高，例如：对于mobilenetv1结构，由于在激活函数层特征容易被破坏，导致神经元在训练过程中消失，进而影响模型的训练效果，导致模型预测的精度不高。

发明内容

本发明实施例提供了一种基于深度学习的人脸识别方法、装置、设备及介质，能够利用轻量化模型实现更准确的人脸识别。

第一方面，本发明实施例提供了一种基于深度学习的人脸识别方法，其包括：

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。

根据本发明优选实施例，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；