[发明专利]人脸识别模型建立方法、人脸识别方法和电子设备

权利要求书

1.一种人脸识别模型建立方法，其特征在于，包括：

构建初始学生网络模型；

将训练图像集进行分组后，逐组输入所述初始学生网络模型和预训练的教师网络模型，输出得到多组相互对应的学生网络特征向量集合和教师网络特征向量集合；

针对每组相互对应的所述学生网络特征向量集合和所述教师网络特征向量集合中的每个学生网络特征向量和每个教师网络特征向量，通过全连接分类网络分别计算与各类别特征向量之间的余弦相似度，并分别对每个学生网络特征向量和每个教师网络特征向量对应的余弦相似度进行分组；

基于每组相互对应的所述学生网络特征向量集合和所述教师网络特征向量集合，分别根据对应的余弦相似度的分组结果对初始损失函数进行解耦和筛选，根据每组的筛选结果分别对所述初始学生网络的参数进行优化，完成一次优化迭代过程；

重复上述步骤，对构建的初始学生网络模型进行多次优化迭代过程，直至所述初始学生网络模型收敛得到学生网络模型，将所述学生网络模型作为人脸识别模型。

2.根据权利要求1所述的人脸识别模型建立方法，其特征在于，所述将训练图像集进行分组后，逐组输入所述初始学生网络模型和预训练的教师网络模型，输出得到多组相互对应的学生网络特征向量集合和教师网络特征向量集合，包括：

将所述训练图像集划分为N个子训练集；

将第1个子训练集同时输入所述初始学生网络模型和预训练的所述教师网络模型，输出得到相互对应的第1学生网络特征向量集合和第1教师网络特征向量集合；

重复上述步骤，直至将第N个子训练集同时输入所述初始学生网络模型和预训练的所述教师网络模型，输出得到相互对应的第N学生网络特征向量集合和第N教师网络特征向量集合。

3.根据权利要求1所述的人脸识别模型建立方法，其特征在于，所述针对每组相互对应的所述学生网络特征向量集合和所述教师网络特征向量集合中的每个学生网络特征向量和每个教师网络特征向量，通过全连接分类网络分别计算与各类别特征向量之间的余弦相似度，并分别对每个学生网络特征向量和每个教师网络特征向量对应的余弦相似度进行分组，包括：

针对每组相互对应的所述学生网络特征向量集合和所述教师网络特征向量集合中的每个学生网络特征向量和每个教师网络特征向量，通过所述全连接分类网络分别计算与各类别特征向量之间的余弦相似度，得到多个学生余弦相似度集合和多个教师余弦相似度集合；

分别计算每个所述学生余弦相似度集合中的各学生余弦相似度和每个所述教师余弦相似度集合中的各教师余弦相似度的概率输出值；

基于每个所述学生余弦相似度集合对应的所述概率输出值分别将各所述学生余弦相似度集合中的学生余弦相似度分为主要知识组和次要知识组；

基于每个所述学生余弦相似度集合对应的所述概率输出值分别将对应的所述教师余弦相似度集合中的教师余弦相似度分为主要知识组和次要知识组。

4.根据权利要求1所述的人脸识别模型建立方法，其特征在于，所述基于每组相互对应的所述学生网络特征向量集合和所述教师网络特征向量集合，分别根据对应的余弦相似度的分组结果对初始损失函数进行解耦和筛选，根据每组的筛选结果分别对所述初始学生网络的参数进行优化，完成一次优化迭代过程，包括：

针对一组相互对应的所述学生网络特征向量集合和所述教师网络特征向量集合，得到多组相互对应的学生特征向量和教师特征向量；

根据每组相互对应的学生特征向量和教师特征向量分别对应的余弦相似度的分组结果对初始损失函数进行解耦处理，获得多组解耦结果；

分别对多组所述解耦结果进行筛选，获得目标蒸馏损失，并根据所述目标蒸馏损失对所述初始学生网络模型的参数进行一次优化；

重复上述步骤，直到基于多组相互对应的所述学生网络特征向量集合和所述教师网络特征向量集合获得了多个目标蒸馏损失，并根据多个所述目标蒸馏损失对所述初始学生网络模型的参数进行了多次优化，完成一次优化迭代过程。