[发明专利]人脸识别深度学习模型训练方法、装置、设备及存储介质

说明书

本申请提供一种人脸识别深度学习模型训练方法、装置、设备及存储介质。该方法包括：将人脸样本图像输入到双支路基础单元，利用第一支路和第二支路分别提取第一特征图和第二特征图，将第一特征图和第二特征图拼接得到变换特征图；对骨干网络中目标阶段输出的特征图进行处理，得到每个目标阶段的特征向量，将特征向量聚合得到目标特征向量；确定目标特征向量与各个人脸类别的类中心的夹角，并根据人脸样本图像对应人脸类别的样本数及最大类别样本数确定加性间隔参数，将夹角及加性间隔参数输入到损失函数中计算损失值；利用损失值对人脸识别深度学习模型进行训练。本申请提升了人脸识别模型的准确性和人脸识别效果。

技术领域

本申请涉及计算机技术领域，尤其涉及一种人脸识别深度学习模型训练方法、装置、设备及存储介质。

背景技术

人脸识别模型训练任务中，需考虑基础单元对模型训练的影响，以及如何获取更具判别性的特征表达，另外还要考虑训练数据的类别不平衡问题，这对人脸识别模型的设计带来困难。

传统人脸识别模型的基础单元通常只有一个卷积层，容易忽略原始图片的一些关键信息，且传统人脸识别模型训练通常只取最后一个卷积层的输出特征作为特征表达，忽略了前层的细节特征；另外，人脸识别训练集通常存在较大的类别不平衡问题。由于存在上述情况，导致现有的人脸识别模型训练无法提取丰富的人脸图片基础特征，特征表达忽略细节特征，训练集中的类别不平衡导致训练后的人脸识别模型的准确性低，人脸识别效果差的问题。

发明内容

有鉴于此，本申请实施例提供了一种人脸识别深度学习模型训练方法、装置、设备及存储介质，以解决现有技术存在的无法提取丰富的人脸图片基础特征，特征表达忽略细节特征，人脸识别模型的准确性低，人脸识别效果差的问题。

本申请实施例的第一方面，提供了一种人脸识别深度学习模型训练方法，包括：将人脸样本图像输入到预定的双支路基础单元，利用双支路基础单元中的第一支路和第二支路分别提取第一特征图和第二特征图，将第一特征图和第二特征图进行拼接，得到变换特征图；将变换特征图输入到骨干网络，对骨干网络中预设的目标阶段输出的特征图进行处理，得到每个目标阶段对应的特征向量，将特征向量进行聚合，得到目标特征向量；确定目标特征向量与各个人脸类别的类中心之间的夹角，并根据人脸样本图像对应人脸类别的样本数及最大类别样本数确定加性间隔参数，将夹角及加性间隔参数输入到预设的损失函数中计算损失值；利用损失值反向更新人脸识别深度学习模型的参数，以便对人脸识别深度学习模型进行训练。

本申请实施例的第二方面，提供了一种人脸识别深度学习模型训练装置，包括：提取模块，被配置为将人脸样本图像输入到预定的双支路基础单元，利用双支路基础单元中的第一支路和第二支路分别提取第一特征图和第二特征图，将第一特征图和第二特征图进行拼接，得到变换特征图；聚合模块，被配置为将变换特征图输入到骨干网络，对骨干网络中预设的目标阶段输出的特征图进行处理，得到每个目标阶段对应的特征向量，将特征向量进行聚合，得到目标特征向量；损失模块，被配置为确定目标特征向量与各个人脸类别的类中心之间的夹角，并根据人脸样本图像对应人脸类别的样本数及最大类别样本数确定加性间隔参数，将夹角及加性间隔参数输入到预设的损失函数中计算损失值；训练模块，被配置为利用损失值反向更新人脸识别深度学习模型的参数，以便对人脸识别深度学习模型进行训练。

本申请实施例的第三方面，提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述方法的步骤。

本申请实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：