CN109190521B - 一种基于知识提纯的人脸识别模型的构建方法及应用 - Google Patents
一种基于知识提纯的人脸识别模型的构建方法及应用 Download PDFInfo
- Publication number
- CN109190521B CN109190521B CN201810938976.1A CN201810938976A CN109190521B CN 109190521 B CN109190521 B CN 109190521B CN 201810938976 A CN201810938976 A CN 201810938976A CN 109190521 B CN109190521 B CN 109190521B
- Authority
- CN
- China
- Prior art keywords
- face recognition
- neural network
- convolutional neural
- knowledge
- purification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000746 purification Methods 0.000 title claims abstract description 58
- 238000010276 construction Methods 0.000 title claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 19
- 238000012546 transfer Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims 2
- 230000006870 function Effects 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于知识提纯的人脸识别模型的构建方法及应用，包括：A、获取指定数量的标记有人脸身份信息的人脸数字图像作为训练数据集；B、基于柔性最大值传输损失函数，利用训练数据集对一轻量级人脸识别卷积神经网络基础模型进行训练，获取一训练后的模型；C、通过训练后的模型获取训练数据集的人脸数字图像的知识提纯标签信息；D、利用知识提纯标签信息及训练数据集更新一轻量级人脸识别卷积神经网络模型，以获取更新处理后的基于知识提纯的轻量级人脸识别卷积神经网络模型。本申请既缓解标定噪声人脸图像对训练的模型参数的影响，又可以有效的表达人脸图像级别层面的类间相关性，在不增加标定成本的前提下，提升人脸识别算法性能。
Description
技术领域
本发明涉及计算机视觉、模式识别、机器学习、卷积神经网络等技术领域，特别设计一种基于知识提纯的人脸识别模型的构建方法及应用。
背景技术
人脸识别技术是在任意场景的数字图像中识别人脸的计算机视觉技术。该技术是人脸识别系统的核心模块。人脸识别系统在人脸验证、移动支付、安防监控、人机交互等领域有着广泛的应用。随着卷积神经网络(Convolutional Neural Network，简称CNN)的发展，人脸识别算法的性能取得了巨大的突破。当前的人脸识别算法大多基于CNN模型设计，对人脸图像抽象出具有辨识不同人能力的特征。CNN模型主要由可学习权重和偏置项的神经元构成。在人脸识别的应用场景下，CNN模型通过对海量数据集进行迭代训练，优化权重与偏置项，使模型具有人脸特征提取的功能。模型训练好后，输入两张人脸图像，即可获得两个高维的特征向量，利用余弦相似度计算两个特征向量的距离，从而判断两张图像是否是一个人，人脸识别的准确度由最终判断准确率决定。
一方面，在CNN模型训练过程中，CNN网络的泛化能力严重依赖于已标定的训练数据集。在实际应用中，大多训练数据集来源于互联网，可能存在错误标定的人脸图像，这些噪声标签在CNN模型的训练时会产生错误的监督信号，误导CNN模型参数的学习，对人脸识别的性能产生较大的影响。另一方面，针对正确标定的数据，传统的分类问题使用0、1标签作为分类的监督信号，并不能有效表达每张人脸图像类间的相关性，因此在训练过程中，并没有充分利用人脸图像级别差异性的信息。
基于上述问题，目前亟需一种人脸识别模型的构建方法，以实现既缓解现有技术的模型的训练时标定噪声人脸图像对训练参数的影响，又有效的表达人脸图像级别层面的类间相关性，在不增加标定成本的前提下，提升模型人脸识别算法性能，使得构建的模型可以更加准确有效地进行人脸的识别。
发明内容
有鉴于此，本申请提供一种基于知识提纯的轻量级人脸识别卷积神经网络模型的构建方法，既缓解了现有技术的模型的训练时标定噪声人脸图像对训练参数的影响，又可以有效的表达人脸图像级别层面的类间相关性，在不增加标定成本的前提下，提升模型人脸识别算法性能，使得构建的模型可以更加准确有效地进行人脸的识别。
本申请提供一种基于知识提纯的轻量级人脸识别卷积神经网络模型的构建方法，包括：
A、获取指定数量的标记有人脸身份信息的人脸数字图像作为训练数据集；
B、基于柔性最大值传输损失函数，利用所述训练数据集对一轻量级人脸识别卷积神经网络基础模型进行训练，获取一训练后的轻量级人脸识别卷积神经网络模型；
C、通过所述训练后的轻量级人脸识别卷积神经网络模型获取所述训练数据集的人脸数字图像的知识提纯标签信息；
D、利用所述知识提纯标签信息及所述训练数据集更新一轻量级人脸识别卷积神经网络模型，以获取更新处理后的基于知识提纯的轻量级人脸识别卷积神经网络模型。
由上，本申请基于柔性最大值传输函数(softmax)技术，针对每张人脸数字图像构建提纯后的知识提纯标签信息，利用该信息作为分类监督信号指导人脸识别卷积神经网络的训练，既缓解标定噪声人脸图像对训练模型参数的影响，又可以有效的表达人脸图像级别层面的类间相关性，在不增加标定成本的前提下，提升人脸识别算法性能，使得构建的模型可以更加准确有效地进行人脸的识别。
优选地，所述步骤C，包括：
利用所述训练后的人脸识别卷积神经网络模型对所述训练数据集的人脸数字图像进行处理，将柔性最大传输函数的输出作为知识提纯后的标签信息。
由上，通过上述处理有利于对人脸图像标签的知识信息进行提纯，有利于后续人脸识别模型训练时提供更精确的监督信息。
优选地，所述柔性最大传输函数的输出为：
pT∈RC
其中柔性最大输出p的第i维表示为
其中，zi T代表所述人脸识别卷积神经网络模型最后一个全连接层第i维输出；zj T代表代表所述人脸识别卷积神经网络模型最后一个全连接层第j维输出；C代表训练数据集的总类别数，PT为C维的列向量；RC表示C维的实数向量集合。
优选地，所述步骤D，包括：
D1、随机初始化步骤B所述训练后的轻量级人脸识别卷积神经网络模型，并定义目标函数；
其中，所述目标函数为：
其中，pT表示所述知识提纯标签信息，pS代表随机初始化的所述训练后的轻量级人脸识别卷积神经网络模型的柔性最大传输函数输出；i、k表示对应人脸类别；
其中，
其中，τ为温度常数，zi和zj分别表示所述人脸识别卷积神经网络模型最后一个全连接层第i维和第j维输出；
D2、将所述目标函数作为损失函数，根据梯度下降后向传播算法，利用所述训练数据集，迭代优化所述轻量级人脸识别卷积神经网络模型中的可学习的权重和偏执项参数，以获取迭代处理后的基于知识提纯的轻量级人脸识别卷积神经网络模型。
由上，有利于获取最优的基于知识提纯的轻量级人脸识别卷积神经网络模型。
优选地，所述步骤D2之后，还包括：
所述步骤D2之后，还包括：
E1、通过步骤D2中所述基于知识提纯的轻量级人脸识别卷积神经网络模型重新获取所述训练数据集的新的知识提纯标签信息；
E2、将重新获取的新的知识提纯标签信息作为监督信号，重复迭代至获取最优的基于知识提纯的轻量级人脸识别卷积神经网络模型。
由上，将重新获取的新的知识提纯标签信息作为监督信号，接入到人脸识别卷积神经网络的训练中，可以有利于缓解标定噪声对训练CNN模型参数的影响，同时提供更加精确的图像级别类间相关性，提升模型的人脸识别算法的性能。
优选地，步骤E2所述最优的基于知识提纯的轻量级人脸识别卷积神经网络模型的判断方法为：
获取指定数量的标记有人脸身份信息的人脸数字图像，并根据人脸身份标签组合测试样本对，构建测试数据集；
利用所述基于知识提纯的轻量级人脸识别卷积神经网络模型对所述测试数据集的测试样本对的人脸数字图像进行特征提取；并根据所述特征获取测试集各个样本对的余弦距离计算分数，当所述余弦距离计算分数大于指定阈值时，则保存所述基于知识提纯的轻量级人脸识别卷积神经网络模型。
由上，通过上述判断获取在符合指定条件内的最优的基于知识提纯的轻量级人脸识别卷积神经网络模型。
优选地，本申请还提供一种人脸识别方法，基于权利要求1-6任一项所述的基于知识提纯的轻量级人脸识别卷积神经网络模型，包括：
N1、获取待识别的人脸图像的数字图像；
N2、将所述数字图像输入至所述基于知识提纯的轻量级人脸识别卷积神经网络模型中，并据此将所述待识别的人脸图像与预存的图像样本进行匹配识别。
由上，该基于知识提纯的轻量级人脸识别卷积神经网络模型可以提升人脸识别算法性能，能够实现更将精确快速的进行人脸识别。
综上所述，本申请的基于知识提纯的轻量级人脸识别卷积神经网络模型的构建方法，基于柔性最大值传输函数(softmax)技术，针对每张人脸数字图像构建提纯后的知识提纯标签信息，利用该信息作为分类监督信号指导人脸识别卷积神经网络的训练，既缓解标定噪声人脸图像对训练模型参数的影响，又可以有效的表达人脸图像级别层面的类间相关性，在不增加标定成本的前提下，提升人脸识别算法性能，使得构建的模型可以更加准确有效地进行人脸的识别。
附图说明
图1为本申请提供的一种基于知识提纯的轻量级人脸识别卷积神经网络模型的构建方法的示意图；
图2为本申请提供的一种基于知识提纯的轻量级人脸识别卷积神经网络模型的构建方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合实施例，对本发明进行进一步的详细说明。应当理解为此处所描述的具体实施例仅用以解释本发明，并不用于限制本发明的保护范围。
本发明为了提升人脸识别卷积神经网络模型的识别性能，提出了基于柔性最大值传输函数输出，针对每张人脸数字图像构建提纯后的标签信息，利用该信息作为分类监督信号指导人脸识别卷积神经网络的训练，既缓解标定噪声人脸图像对训练CNN模型参数的影响，又可以有效的表达人脸图像级别层面的类间相关性，在不增加标定成本的前提下，构建了一提升人脸识别算法性能的基于知识提纯的轻量级人脸识别卷积神经网络模型。
实施例一
如图1-2所示，本发明提供了一种基于知识提纯的轻量级人脸识别卷积神经网络模型的构建方法，该方法可以用于人脸识别卷积神经网络模型的训练，完成人脸识别任务，所述构建方法包括：
S101，获取指定数量的带有身份信息标签的人脸数字图像作为训练集。本发明使用公开的数据集MS-Celeb-1M作为人脸识别训练数据集，该数据库包含79,077人共计5,049,824张人脸数字图像。
S102，基于柔性最大值传输损失函数，使用S101中获取的训练数据集对一轻量级人脸识别卷积神经网络基础模型进行训练，获取一训练后的模型T；其中，所述轻量级人脸识别卷积神经网络基础模型由29个卷积层由浅到深排列。
S103，使用S102中训练后的模型T对S101中的所述训练数据集的人脸数字图像进行处理，将柔性最大传输函数的输出作为知识提纯后的标签信息。
其中，所述柔性最大传输函数的输出为：
pT∈RC
其中，柔性最大输出p的第i维表示为
其中，zi T代表所述人脸识别卷积神经网络模型最后一个全连接层第i维输出；zj T代表代表所述人脸识别卷积神经网络模型最后一个全连接层第j维输出；C代表训练数据集的总类别数，PT为C维的列向量；RC表示C维的实数向量集合。
S104，利用所述知识提纯标签信息及所述训练数据集更新一轻量级人脸识别卷积神经网络模型S，以获取更新处理后的基于知识提纯的轻量级人脸识别卷积神经网络模型S。
具体的，包括：
S1041，随机初始化一轻量级人脸识别卷积神经网络模型S，并定义目标函数；
其中，所述目标函数为：
其中，pT表示所述知识提纯标签信息，pS代表随机初始化的所述训练后的轻量级人脸识别卷积神经网络模型的柔性最大传输函数输出；i、k表示对应人脸类别(一般人脸识别模型训练时的类数都有很多，比如10万类。i和k都是指人脸类别，i是指当前训练样本的标注类别，i是训练数据中预先标注好的。
表示样本属于i类的loss。
表示属于任意类别k的loss都计算并累加)。
其中，
其中，τ为温度常数，zi和zj分别表示所述人脸识别卷积神经网络模型最后一个全连接层第i维和第j维输出。
S1042，将所述目标函数作为损失函数，利用所述训练数据集及所述知识提纯标签信息，根据梯度下降后向传播算法，更新一轻量级人脸识别卷积神经网络模型S中的可学习的权重和偏执项参数，以获取更新处理后的基于知识提纯的轻量级人脸识别卷积神经网络模型S。
S105，判断是否需要继续迭代优化，当判断为是时，返回执行步骤S102。当判断为否时，执行步骤S106。
具体的，对于判断是否需要继续迭代优化的方法是：
获取指定数量的标记有人脸身份信息的人脸数字图像，并根据人脸身份标签组合测试样本对，构建测试数据集；
利用S1042更新处理后的基于知识提纯的轻量级人脸识别卷积神经网络模型S对所述测试数据集的测试样本对的人脸数字图像进行特征提取；并根据所述特征获取测试数据集各个样本对的余弦距离计算分数，当所述余弦距离计算分数低于一指定阈值时(余弦距离越大，相似度越高)，则判断为需要继续迭代优化，则利用S104中获得的处理后的轻量级人脸识别卷积神经网络模型S作为知识提纯的基础网络模型，重复迭代执行S102-S104步骤(迭代时S102中的基础网络模型T使用S104中获得的处理后的轻量级人脸识别卷积神经网络模型S替代)。一般迭代执行2次后，可获取最优的基于知识提纯的轻量级人脸识别卷积神经网络模型。
当判断所述余弦距离计算分数高于一指定阈值时(余弦距离越大，相似度越高)，执行步骤S106。
S106，保存所述基于知识提纯的轻量级人脸识别卷积神经网络模型S。
为了更清楚地说明本申请构建的人脸识别模型与现有的人脸识别模型相比较的优势，现将本申请的人脸识别模型的测试的实验结果公开如下：
从公开数据集(Labeled Face in the Wild，简称LFW)中获取5,749人共计13,233张人脸数字图像，将其作为测试数据集。利用所述的测试数据集对所述训练后的人脸识别卷积神经网络模型进行测试。
其中，下表1为本申请的人脸识别模型与另外5个现有的人脸识别模型在错误识别率为千分之一时的正确识别率(TPR@FAR＝0.1％)、以及误识别率为百分之一时的检测与正确命中率(DIR@FAR＝1％)的结果比较。可以发现基于本发明提出的方法训练人脸识别卷积神经网络模型的识别率均优于选取的5个对比模型。因此，本申请的模型既缓解标定噪声人脸图像对训练CNN模型参数的影响，又可以有效的表达人脸图像级别层面的类间相关性，在不增加标定成本的前提下，提升人脸识别算法性能。
表1
实施例二
基于实施例一中的基于知识提纯的轻量级人脸识别卷积神经网络模型，本申请还提供一种人脸识别方法，包括：
N1、获取待识别的人脸图像的数字图像；
N2、将所述数字图像输入至所述基于知识提纯的轻量级人脸识别卷积神经网络模型中，通过所述基于知识提纯的轻量级人脸识别卷积神经网络模型将所述待识别的人脸图像与预存的图像样本进行匹配识别。
综上所述，本申请的基于知识提纯的轻量级人脸识别卷积神经网络模型的构建方法，基于柔性最大值传输函数(softmax)技术，针对每张人脸数字图像构建提纯后的知识提纯标签信息，利用该信息作为分类监督信号指导人脸识别卷积神经网络的训练，既缓解标定噪声人脸图像对训练模型参数的影响，又可以有效的表达人脸图像级别层面的类间相关性，在不增加标定成本的前提下，提升人脸识别算法性能，使得构建的模型可以更加准确有效地进行人脸的识别。同时，本发明提出的创新方法也可以应用到其他物体识别任务中。
以上所述仅为本发明以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于知识提纯的人脸识别模型的构建方法，其特征在于，包括：
A、获取指定数量的标记有人脸身份信息的人脸数字图像作为训练数据集；
B、基于柔性最大值传输损失函数，利用所述训练数据集对一轻量级人脸识别卷积神经网络基础模型T进行训练，获取一训练后的轻量级人脸识别卷积神经网络基础模型T；
C、通过所述训练后的轻量级人脸识别卷积神经网络基础模型T获取对所述训练数据集的人脸数字图像的知识提纯标签信息；其中，步骤C具体包括：
利用所述训练后的轻量级人脸识别卷积神经网络基础模型T对所述训练数据集的人脸数字图像进行处理，将该轻量级人脸识别卷积神经网络基础模型T的柔性最大传输函数的输出作为知识提纯标签信息；
其中，所述轻量级人脸识别卷积神经网络基础模型T的柔性最大传输函数的输出为pT，pT∈RC；所述pT的第i维表示为
D、利用所述知识提纯标签信息及所述训练数据集更新一轻量级人脸识别卷积神经网络模型S，以获取更新处理后的基于知识提纯的轻量级人脸识别卷积神经网络模型S；其中，步骤D具体包括下述步骤D1和步骤D2：
D1、随机初始化一轻量级人脸识别卷积神经网络模型S，并定义目标函数；
其中，所述目标函数为：
其中，
D2、将所述目标函数作为损失函数，利用所述训练数据集及所述知识提纯标签信息，根据梯度下降后向传播算法，更新所述轻量级人脸识别卷积神经网络模型S中的可学习的权重和偏执项参数，以获取更新处理后的基于知识提纯的轻量级人脸识别卷积神经网络模型S；
所述步骤D之后，需要继续迭代优化时，还包括：利用处理后的所述基于知识提纯的轻量级人脸识别卷积神经网络模型S替代轻量级人脸识别卷积神经网络基础模型T，返回步骤B；其中，所述需要继续迭代优化的判断方法为：
获取指定数量的标记有人脸身份信息的人脸数字图像，并根据人脸身份标签组合测试样本对，构建测试数据集；
利用所述基于知识提纯的轻量级人脸识别卷积神经网络模型S对所述测试数据集的测试样本对的人脸数字图像进行特征提取；并根据所述特征获取测试数据集各个样本对的余弦距离计算分数，当所述余弦距离计算分数大于指定阈值时，则保存所述基于知识提纯的轻量级人脸识别卷积神经网络模型S；
其中，上述公式中各参数含义如下：
zi T代表所述轻量级人脸识别卷积神经网络基础模型T最后一个全连接层第i维输出；
zj T代表代表轻量级人脸识别卷积神经网络基础模型T最后一个全连接层第j维输出；
C代表训练数据集的总类别数，pT为C维的列向量；RC表示C维的实数向量集合；
pT表示所述知识提纯标签信息，
pS代表随机初始化的所述训练后的轻量级人脸识别卷积神经网络模型S的柔性最大传输函数输出；
i、k表示对应的人脸类别；
τ为温度常数，
zi S和zj S分别表示所述轻量级人脸识别卷积神经网络模型S最后一个全连接层第i维和第j维输出。
2.一种人脸识别方法，基于权利要求1所述方法构建的基于知识提纯的轻量级人脸识别卷积神经网络模型S，其特征在于，包括：
N1、获取待识别的人脸图像的数字图像；
N2、将所述数字图像输入至所述基于知识提纯的轻量级人脸识别卷积神经网络模型S中，通过所述基于知识提纯的轻量级人脸识别卷积神经网络模型S将所述待识别的人脸图像与预存的图像样本进行匹配识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810938976.1A CN109190521B (zh) | 2018-08-17 | 2018-08-17 | 一种基于知识提纯的人脸识别模型的构建方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810938976.1A CN109190521B (zh) | 2018-08-17 | 2018-08-17 | 一种基于知识提纯的人脸识别模型的构建方法及应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109190521A CN109190521A (zh) | 2019-01-11 |
| CN109190521B true CN109190521B (zh) | 2022-03-04 |
Family
ID=64918162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810938976.1A Active CN109190521B (zh) | 2018-08-17 | 2018-08-17 | 一种基于知识提纯的人脸识别模型的构建方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109190521B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516619A (zh) * | 2019-08-29 | 2019-11-29 | 河南中原大数据研究院有限公司 | 一种cos-attack人脸识别攻击算法 |
| CN113158902B (zh) * | 2021-04-23 | 2023-08-11 | 深圳龙岗智能视听研究院 | 一种基于知识蒸馏的自动化训练识别模型的方法 |
| CN113076930B (zh) * | 2021-04-27 | 2022-11-08 | 东南大学 | 一种基于共享骨干网络的人脸识别与表情分析方法 |
| CN113642404B (zh) * | 2021-07-13 | 2024-06-25 | 季华实验室 | 目标识别检测关联方法、设备、介质及计算机程序产品 |
| CN113723238B (zh) * | 2021-08-18 | 2024-02-09 | 厦门瑞为信息技术有限公司 | 一种人脸轻量网络模型构建方法和人脸识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679501A (zh) * | 2017-10-12 | 2018-02-09 | 中科视拓（北京）科技有限公司 | 一种基于标签自提纯的深度学习方法 |
| CN108334934A (zh) * | 2017-06-07 | 2018-07-27 | 北京深鉴智能科技有限公司 | 基于剪枝和蒸馏的卷积神经网络压缩方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017079568A1 (en) * | 2015-11-06 | 2017-05-11 | Google Inc. | Regularizing machine learning models |
-
2018
- 2018-08-17 CN CN201810938976.1A patent/CN109190521B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334934A (zh) * | 2017-06-07 | 2018-07-27 | 北京深鉴智能科技有限公司 | 基于剪枝和蒸馏的卷积神经网络压缩方法 |
| CN107679501A (zh) * | 2017-10-12 | 2018-02-09 | 中科视拓（北京）科技有限公司 | 一种基于标签自提纯的深度学习方法 |
Non-Patent Citations (2)
| Title |
|---|
| A Light CNN for Deep Face Representation with Noisy Labels;Xiang Wu et al.;《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》;20180503;第13卷(第11期);第2884 - 2896页 * |
| Distilling the Knowledge in a Neural Network;Geoffrey Hinton et al.;《arXiv》;20150509;第1-9页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109190521A (zh) | 2019-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109190521B (zh) | 一种基于知识提纯的人脸识别模型的构建方法及应用 | |
| CN110609891B (zh) | 一种基于上下文感知图神经网络的视觉对话生成方法 | |
| CN109800648B (zh) | 基于人脸关键点校正的人脸检测识别方法及装置 | |
| CN112905827B (zh) | 跨模态图文匹配的方法、装置及计算机可读存储介质 | |
| CN111695415B (zh) | 图像识别方法及相关设备 | |
| CN109902546B (zh) | 人脸识别方法、装置及计算机可读介质 | |
| CN108171209B (zh) | 一种基于卷积神经网络进行度量学习的人脸年龄估计方法 | |
| US20200193296A1 (en) | Neural network architecture for attention based efficient model adaptation | |
| CN107944559B (zh) | 一种实体关系自动识别方法及系统 | |
| CN107103281A (zh) | 基于聚集损失深度度量学习的人脸识别方法 | |
| CN107480261A (zh) | 一种基于深度学习细粒度人脸图像快速检索方法 | |
| JP2022141931A (ja) | 生体検出モデルのトレーニング方法及び装置、生体検出の方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
| US20230206928A1 (en) | Audio processing method and apparatus | |
| CN113723238B (zh) | 一种人脸轻量网络模型构建方法和人脸识别方法 | |
| CN109993102A (zh) | 相似人脸检索方法、装置及存储介质 | |
| CN109684928B (zh) | 基于互联网检索的中文文档识别方法 | |
| CN113536784B (zh) | 文本处理方法、装置、计算机设备和存储介质 | |
| CN109033321B (zh) | 一种图像与自然语言特征提取及基于关键词的语言指示图像分割方法 | |
| CN114186063A (zh) | 跨域文本情绪分类模型的训练方法和分类方法 | |
| CN117521012A (zh) | 基于多模态上下文分层分步对齐的虚假信息检测方法 | |
| CN115994224A (zh) | 基于预训练语言模型的钓鱼url检测方法及系统 | |
| US11899765B2 (en) | Dual-factor identification system and method with adaptive enrollment | |
| CN114220179A (zh) | 一种基于faiss的在线手写签名笔迹检索方法和系统 | |
| CN117252204A (zh) | 一种联邦对比对抗知识蒸馏的机器账号检测方法及装置 | |
| Ferreira et al. | Learning signer-invariant representations with adversarial training. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |