CN110084287A - 图像识别网络对抗训练方法及装置 - Google Patents
图像识别网络对抗训练方法及装置 Download PDFInfo
- Publication number
- CN110084287A CN110084287A CN201910287639.5A CN201910287639A CN110084287A CN 110084287 A CN110084287 A CN 110084287A CN 201910287639 A CN201910287639 A CN 201910287639A CN 110084287 A CN110084287 A CN 110084287A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- recognition network
- attribute
- unrelated
- 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.)
- Pending
Links
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及图像识别领域,尤其涉及一种图像识别网络对抗训练方法及装置。其中方法包括:获取图像识别网络,图像识别网络用于根据待测图像提取图像的特征向量;获取无关属性识别网络,无关属性识别网络用于根据特征向量识别待测图像的无关属性;对无关属性识别网络进行训练,使无关属性识别网络可以正确识别出待测图像的无关属性,之后根据无关属性识别网络的识别结果,训练图像识别网络,使所述无关属性识别网络根据训练后的所述图像识别网络提取的特征向量无法识别所述无关属性。通过本发明实施例,可使通过图像识别网络提取的特征向量中不包含与待测图像无关的属性特征,从而减小深度网络模型,提高识别性能。
Description
技术领域
本发明实施例涉及图像识别领域,尤其涉及一种图像识别网络对抗训练方法及装置。
背景技术
随着图像识别技术的快速发展,图像识别产品已广泛应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领域。目前,图像识别流行的方法是通过训练深度网络模型将图像转化到特征空间(feature空间),提取图像在特征空间中的特征向量,并使得在特征空间中,距离近的特征向量对应的图像为同一个图像,距离远的图像对应为不同的图像。
当前,图像经过深度网络模型转化到特征空间后,由于受图像中与图像无关的属性(如光照、图像质量、图像拍摄模组等)的影响,导致映射到特征空间后,映射的位置比较离散,图像在特征空间占据的空间会变大,从而使深度网络模型特征空间中可识别的图像变少、识别性能变差。
发明内容
为了解决现有技术中存在的上述问题,本发明提供一种图像识别网络对抗训练方法及装置,以提高图像识别精度,并在特征空间中可识别的图像更多。
第一方面,本发明实施例提供一种图像识别网络对抗训练方法,其中,包括:图像识别网络获取步骤,获取图像识别网络,图像识别网络用于根据待测图像提取图像的特征向量,特征向量用于识别待测图像中的目标;无关属性识别网络获取步骤,获取无关属性识别网络,无关属性识别网络用于根据特征向量识别待测图像的无关属性,待测图像的无关属性与待测图像中的目标的身份无关;对抗训练步骤,对无关属性识别网络进行训练,使无关属性识别网络正确识别出待测图像的无关属性,之后根据无关属性识别网络的识别结果,训练图像识别网络,使所述无关属性识别网络根据训练后的所述图像识别网络提取的特征向量无法识别所述无关属性。
在一实施例中,无关属性包括离散属性和连续属性。
在一实施例中,离散属性包括图像拍摄模组属性、图像质量属性、图像拍摄光照属性;连续属性包括:目标朝向属性、年龄属性。
在一实施例中,对抗训练步骤步骤还包括:基于无关属性,通过分类损失函数对所述无关属性识别网络进行训练。
在一实施例中,通过分类损失函数对所述无关属性识别网络进行训练,包括:根据离散属性,通过交叉熵损失函数对所述无关属性识别网络进行训练,和/或根据连续属性,通过铰链损失函数或平方损失函数对所述无关属性识别网络进行训练。
在一实施例中,在图像识别网络获取步骤之前,方法还包括:图像识别网络预训练步骤,通过三元组学习方案和/或分类学习方案,训练图像识别网络。
在一实施例中,图像识别网络对抗训练方法还包括,图像识别网络训练步骤,通过三元组学习方案和/或分类学习方案,监控图像识别网络。在一实施例中,图像识别网络对输入的图像进行图像识别,其中,图像识别网络是通过图像识别网络对抗训练方法得到的图像识别网络。
第二方面,本发明实施例提供一种基于对抗网络的图像识别装置,其中,包括:图像识别网络获取单元,获取图像识别网络,图像识别网络用于根据待测图像提取特征向量,特征向量用于识别待测图像中的目标;无关属性识别网络获取单元,获取无关属性识别网络,无关属性识别网络用于根据特征向量识别待测图像的无关属性,待测图像的无关属性与待测图像中的目标的身份无关;对抗训练单元,对无关属性识别网络进行训练,使无关属性识别网络正确识别出待测图像的无关属性,之后根据无关属性识别网络的识别结果,训练图像识别网络,使无关属性识别网络根据训练后的图像识别网络提取的特征向量无法识别无关属性。
第三方面,本发明实施例提供一种图像识别装置,包括:识别单元,用于图像识别网络对输入的图像进行图像识别,其中,图像识别网络是图像识别网络对抗训练方法得到的图像识别网络。
第四方面,本发明实施例提供一种电子设备,其中,电子设备包括:存储器,用于存储指令;以及处理器,用于调用存储器存储的指令执行图像识别网络对抗训练方法。
第五方面,本发明实施例提供一种计算机可读存储介质,其中,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令在由处理器执行时,执行图像识别网络对抗训练方法。
本发明实施例提供的图像识别方法及装置,获取图像识别网络,获取无关属性识别网络,通过将图像识别网络提取的特征向量,输入至无关属性识别网络,根据无关属性识别网络的识别结果,训练图像识别网络,可使完成训练的图像识别网络提取的特征向量通过无关属性识别网络无法识别无关属性,通过图像识别网络与无关属性识别网络的对抗,使通过图像识别网络提取的特征向量中不包含与待测图像无关的属性特征,从而减小深度网络模型,提高识别性能,使相同图像映射到特征空间的特征向量更加聚集,识别精度更高,占用更小的特征空间,可识别的图像更多。
附图说明
通过参考附图阅读下文的详细描述,本发明实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
图1是本发明实施例提供的一种图像识别网络对抗训练方法示意图;
图2是本发明实施例提供的另一种图像识别网络对抗训练方法示意图;
图3是本发明实施例提供的另一种图像识别网络对抗训练方法示意图;
图4是本发明实施例提供的另一种图像识别网络对抗训练方法示意图;
图5是本发明实施例提供的图像识别网络对抗训练装置示意图;
图6是本发明实施例提供的一种电子设备示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。
需要注意,虽然本文中使用“第一”、“第二”等表述来描述本发明的实施方式的不同模块、步骤和数据等,但是“第一”、“第二”等表述仅是为了在不同的模块、步骤和数据等之间进行区分,而并不表示特定的顺序或者重要程度。实际上,“第一”、“第二”等表述完全可以互换使用。
本发明实施例提供一种图像识别方法,在该方法中,针对同一待测图像,通过训练无关属性识别网络,使其能够根据待测图像在特征空间的特征向量识别出待测图像的无关属性,再根据图像识别网络与无关属性识别网络之间的对抗训练,使图像识别网络提取的特征向量之间更加集中,通过无关属性识别网络后,使无关属性识别网络无法识别图像的无关属性,通过图像识别网络与无关属性识别网络之间的对抗训练,可以使图像映射到特征空间的特征向量更聚集,识别精度更高,占用更小的特征空间,可识别的图像更多。
本发明实施例中涉及的图像的无关属性可以包括但不限于光照、图像质量、图像拍摄模组(红外IR、彩色RGB的灰度)等。其中,如果图像识别为人脸识别时,针对人脸识别的无关属性还可以包括人脸朝向,年龄等无关属性。
图1所示为本发明实施例提供的一种图像识别网络对抗训练方法实施流程图。参阅图1所示,该方法包括:
S101:图像识别网络获取步骤,获取图像识别网络,图像识别网络用于根据待测图像提取图像的特征向量,特征向量用于识别待测图像中的目标。
可能的实施方式,本发明实施例中的图像识别网络可以是经过三元组学习方案和/或分类学习方案训练后的,能够进行图像识别的图像识别网络,也可以是没有经过训练不能识别图像的图像识别网络。
如果图像识别网络为经过训练可以识别图像,针对该图像识别网络,例如可以输入图像,根据输入的图像,可将图像映射到特征空间中,得到图像在特征空间中的特征向量,并根据图像在特征空间中的特征向量,来判断图像中的目标是否相同或者图像中的目标是否不同,其中,待测图像中的目标为待测图像中需要被识别的部分,可以是人脸、人体、车辆等。
本发明实施例中,例如针对人脸识别的过程,判断图像中的目标即判断图像中的人脸是否相同或者图像中的人脸是否不同。其中,如果图像中的目标相同则图像映射到特征空间的特征向量会聚在一起,如果图像中的目标不同则图像映射到特征空间的特征向量会距离比较远,具体地,可以在图像识别网络中输入人脸的图像,通过该图像识别网络可提取人脸图像在特征空间的特征向量。如果输入的图像中的人脸图像为同一个人的人脸图像,则图像映射到特征空间的特征向量会比较聚集,如果输入的图像中的人脸图像为不同人的人脸图像,则图像映射到特征空间的特征向量会距离比较远。
如果图像识别网络为未经过训练可以识别图像,针对该图像识别网络,需要后续对该图像识别网络进行训练,使得该图像识别网络能够识别图像。
S102:无关属性识别网络获取步骤,获取无关属性识别网络,无关属性识别网络用于根据特征向量识别待测图像的无关属性,待测图像的无关属性与待测图像中的目标的身份无关。
本发明实施例中涉及的无关属性可以理解为与待测图像中的目标的身份无关的属性,如在人脸识别过程中,图片光线强度、人脸的朝向、人脸的年龄属性等,均属于与该人脸代表的人物身份无关的属性。例如在人脸识别的过程中,将提取的人脸图像在特征空间的特征向量输入到无关属性识别网络,无关属性识别网络可以根据输入的特征向量识别与待测图像中的人脸的身份无关的属性。其中,图像的无关属性可以包括离散属性和连续属性,根据不同类型的无关属性通过不同的方式进行识别。离散属性可以包括图像拍摄模组属性、图像质量属性、图像拍摄光照属性等,其中拍摄模组属性可以包括红外IR和彩色RGB的灰度。连续属性可以包括目标朝向属性、年龄属性等,例如针对人脸识别过程中,图像中人脸的朝向和年龄,在针对车辆识别过程中,图像中车辆的角度和新旧程度。通过对不同类型的无关属性采用不同的方式进行识别和判断,提高准确性,从而进一步的提高对抗训练效果。
具体地,针对相同的待测图像中,例如有的图像是红外拍摄,有的图像是RGB色彩模式拍摄,利用红外拍摄的待测图像和利用RGB色彩模式拍摄的待测图像,它们映射到特征空间的特征向量会有差异,无关属性识别网络根据不同模组拍摄照片的特征向量,可以识别出哪张图像是红外拍摄,哪张图像是RGB色彩模式拍摄。
可以理解的是,针对图像的无关属性,可以根据实际需要,通过无关属性识别网络获取图像的无关属性中的一个或多个属性,获取的多个图像的无关属性中可以是离散属性中的多个,也可以是连续属性中的多个。
S103:对抗训练步骤,对抗训练步骤,通过将图像识别网络提取的特征向量,输入至无关属性识别网络,使无关属性识别网络可以正确识别出待测图像的无关属性,并根据无关属性识别网络的识别结果,训练图像识别网络,使完成训练的图像识别网络提取的特征向量通过无关属性识别网络无法识别无关属性。
本发明实施例中,可通过训练无关属性识别网络使无关识别网络能够识别图像的无关属性,以及根据无关属性识别网络的识别结果训练图像识别网络,让无关属性识别网络与图像识别网络产生对抗,最终使完成训练的图像识别网络提取的特征向量通过无关属性识别网络,无法识别无关属性。
可能的实施方式,本发明实施例中,通过将图像识别网络提取的特征向量,输入至无关属性识别网络,对无关属性识别网络进行训练,使无关属性识别网络可以识别出待测图像的无关属性,然后根据无关属性识别网络的识别结果,训练图像识别网络,使完成训练的图像识别网络提取的特征向量通过无关属性识别网络无法识别无关属性。
具体地,本发明实施例中,针对待测图像中需要隐藏的无关属性,可在图像识别网络中输入待测的图像,得到待测图像在特征空间的特征向量,将得到的待测图像在特征空间的特征向量输入到无关属性识别网络,对无关属性识别网络进行训练,使得从无关属性识别网络输出的无关属性预测值与无关属性的真实值相同,此时实时调整图像识别网络的参数对图像识别网络进行训练,使通过无关属性识别网络输出的无关属性预测值与真实的无关属性的值不同。其中,训练图像识别网络例如可以通过MobileNetV2、ShuffleNet、ResNet等实现。
具体地,本发明实施例中,例如在人脸识别中,针对图像中需要隐藏的无关属性是拍摄模组属性时,可在图像识别网络中输入待测人脸的图像,得到待测人脸图像在特征空间的特征向量,将得到的待测人脸图像在特征空间的特征向量输入到无关属性识别网络后,如果通过无关属性识别网络输出的拍摄模组预测值与与真实的拍摄模组属性的值相同,则调整图像识别网络的参数对图像识别网络进行训练,使通过无关属性识别网络输出的拍摄模组属性预测值与真实的拍摄模组属性的值不同。
进一步地,通过训练图像识别网络,使图像经过图像识别网络后提取的特征向量能够准确识别出图像,并使提取的特征向量输入至无关属性识别网络后,无关属性识别网络不能识别出拍摄模组的无关属性,经过对抗训练,可使图像识别网络将图像映射到特征空间的特征向量中隐藏了图像的无关属性,这样图像映射到特征空间的特征向量更加聚集,图像识别精度更高。
本发明实施例中,对抗训练步骤还包括,基于无关属性,通过分类损失函数对无关属性识别网络进行训练。
可能的实施方式,本发明实施例中,为了根据待测图像的特征向量能够准确的识别待测图像的无关属性,可通过分类损失函数训练该无关属性识别网络,具体训练可根据需要识别的无关属性是离散属性还是连续属性进行区别训练。
在一实施例中,无关属性识别网络训练步骤包括,根据离散属性,通过交叉熵损失函数训练无关属性识别网络。例如在人脸识别中,针对不同拍摄模组下的同一个人的人脸图像,可在图像识别网络中输入待测人脸的图像,得到待测人脸图像在特征空间的特征向量,将得到的待测人脸图像在特征空间的特征向量输入到无关属性识别网络得到无关属性预测值,将得到的无关属性预测值和待测人脸图像真实的拍摄模组属性输入到交叉熵损失函数中,通过交叉熵损失函数训练无关属性识别网络,使通过无关属性识别网络输出的拍摄模组属性预测值与真实的拍摄模组属性的值相同,即能准确的识别出待测人脸图像的拍摄模组属性,哪张图像是红外拍摄,哪张图像是RGB色彩模式拍摄,当输入多个待测图像的标记后的拍摄模组属性时,无关属性识别网络均能准确识别出待测图像的拍摄模组属性,即表明此时训练得到的无关属性识别网络达到了精度的要求。
本发明实施例可以针对多个图像的多个离散属性进行训练,例如在人脸识别中,可以同时对光照属性和拍摄模组属性进行训练,也可以是其他多个离散属性进行训练。
在又一实施例中,根据连续属性,可通过铰链损失函数或者平方损失函数训练无关属性识别网络。例如在人脸识别中,针对不同年龄拍摄的同一个人的人脸图像,可在图像识别网络中输入待测人脸的图像,得到待测人脸图像在特征空间的特征向量,将得到的待测人脸图像在特征空间的特征向量输入到无关属性识别网络得到无关属性预测值,将得到的无关属性预测值和待测人脸图像真实的拍摄模组属性输入到铰链损失函数或平方损失函数中,通过铰链损失函数或平方损失函数训练无关属性识别网络,使其能准确的识别出待测人脸图像的年龄属性,当输入多个待测图像的年龄属性,无关属性识别网络均能准确识别,即表明此时训练得到的无关属性识别网络达到了精度的要求。
本发明实施例可以针对多个图像的多个连续属性进行训练,例如在人脸识别中,可以同时对年龄属性和人脸朝向属性进行训练,也可以是其他多个连续属性进行训练。
本发明实施例中,在对抗训练步骤之后还可以根据预设的精度验证完成对抗训练步骤的图像识别网络是否合格。具体地,例如在人脸识别中,针对无关属性中的模组属性进行训练后,可以将训练好的图像识别网络进行测试,当图像识别网络能够将不同人脸的图像映射到特征空间中的特征向量距离很远,而相同人脸的图像中不同模组的人脸图像的特征向量很集中,当图像识别网络将图像映射到特征空间中的特征向量很集中,映射到特征空间中的特征向量又不能通过无关属性识别网络识别出图像的无关属性达到预设的精度时,图像识别网络即为训练成功。
图2是本发明实施例提供的另一种图像识别网络对抗训练方法示意图。如图2所示,该实施例中,S101:图像识别网络获取步骤之前还包括:S107:图像识别网络预训练步骤,通过三元组学习方案和/或分类学习方案,训练所述图像识别网络。
可能的实施方式,本发明实施例中获取的图像识别网络如果是能识别图像的图像识别网络,图像识别网络可以通过三元组学习方案和/或分类学习方案进行训练,进而得到能够识别图像的图像识别网络。
具体地,例如在人脸识别中,可在图像识别网络中输入待测人脸的图像,得到待测人脸图像在特征空间的特征向量,将得到的待测人脸图像在特征空间的特征向量和待测人脸的标签输入到三元组学习方案或分类学习方案后,如果通过三元组学习方案和/或分类学习方案输出的待测人脸图像可以将相同的人聚在一起,不同的人距离比较远,则经过训练的图像识别网络为训练后的图像识别网络。
图3是本发明实施例提供的另一种图像识别网络对抗训练方法示意图。如图3所示,该实施例中,S103:对抗训练步骤之后还包括:S106:图像识别网络训练步骤,通过三元组学习方案或分类学习方案,训练图像识别网络。
可能的实施方式,本发明实施例中,如果获取的图像识别网络可以识别图像,该图像识别网络又通过调整图像识别网络中的参数完成了图像识别网络的训练,可以实现很好的隐藏无关属性后,为了不影响图像识别网络准确地识别图像中需要识别的其他属性,需要通过三元组学习方案或分类学习方案对图像识别网络进行再次训练。
具体地,例如在人脸识别中,可在训练好的图像识别网络中输入待测人脸的图像,得到待测人脸图像在特征空间的特征向量,将得到的待测人脸图像在特征空间的特征向量和待测人脸的标签输入到三元组学习方案或分类学习方案后,如果通过三元组学习方案和/或分类学习方案输出的结果可以得出待测人脸图像中将相同的人聚在一起,不同的人距离比较远,则经过训练的图像识别网络为可用的图像识别网络。
可能的实施方式,本发明实施例中,如果获取的图像识别网络不能识别图像,该图像识别网络通过调整图像识别网络中的参数完成了图像识别网络的训练,可以实现很好的隐藏无关属性后,为了实现图像识别网络准确地识别图像中需要识别的其他属性,需要通过三元组学习方案或分类学习方案训练图像识别网络,而完善图像识别网络。
可能的实施方式,本发明实施例还提供了一种图像识别方法,该方法包括:图像识别网络对输入的图像进行图像识别,其中,图像识别网络是通过前述任一实施例的图像识别网络对抗训练方法得到的图像识别网络。
基于相同的发明构思,本发明实施例还提供了图像识别网络对抗训练装置。
图4示出了基于对抗网络的图像识别装置200的示例性结构示意图。如图4所示,该实施例基于对抗网络的图像识别装置包括:图像识别网络获取单元201,用于获取图像识别网络,图像识别网络用于根据待测图像提取图像的特征向量,特征向量用于识别待测图像中的目标;无关属性识别网络获取单元202,获取无关属性识别网络,无关属性识别网络用于根据特征向量识别待测图像的无关属性,待测图像的无关属性与待测图像中的目标的身份无关;对抗训练单元203,对无关属性识别网络进行训练,使无关属性识别网络可以正确识别出待测图像的无关属性,之后根据无关属性识别网络的识别结果,训练图像识别网络,使所述无关属性识别网络根据训练后的所述图像识别网络提取的特征向量无法识别所述无关属性。
图5示出了基于对抗网络的图像识别装置200的一个实施例的结构示意图。下面对图5中的各模块进行详细说明。
在一实施例中,基于对抗网络的图像识别装置200还包括:无关属性识别网络训练单元204,基于无关属性,通过分类损失函数训练无关属性识别网络。
在一实施例中,基于对抗网络的图像识别装置200还包括:图像识别网络训练单元205,通过三元组学习方案或分类学习方案,训练图像识别网络。
基于相同的发明构思,本发明实施例还提供了图像识别装置。该图像识别装置包括:识别单元,用于图像识别网络对输入的图像进行图像识别,其中,图像识别网络是通过本发明前述任一实施例的图像识别网络对抗训练方法得到的图像识别网络。
如图6所示,本发明的一个实施方式提供了一种电子设备300。其中,该电子设备300包括存储器301、处理器302、输入/输出(Input/Output,I/O)接口303。其中,存储器301,用于存储指令。处理器302,用于调用存储器301存储的指令执行本发明实施例的图像识别网络对抗训练的方法或执行发明实施例的图像识别方法。其中,处理器302分别与存储器301、I/O接口303连接,例如可通过总线系统和/或其他形式的连接机构(未示出)进行连接。存储器301可用于存储程序和数据,包括本发明实施例中涉及的图像识别网络对抗训练的程序或者图像识别的程序,处理器302通过运行存储在存储器301的程序从而执行电子设备300的各种功能应用以及数据处理。
本发明实施例中处理器302可以采用数字信号处理器(Digital SignalProcessing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现,所述处理器302可以是中央处理单元(Central Processing Unit,CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元中的一种或几种的组合。
本发明实施例中的存储器301可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(Random Access Memory,RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(Read-OnlyMemory,ROM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-State Drive,SSD)等。
本发明实施例中,I/O接口303可用于接收输入的指令(例如数字或字符信息,以及产生与电子设备300的用户设置以及功能控制有关的键信号输入等),也可向外部输出各种信息(例如,图像或声音等)。本发明实施例中I/O接口303可包括物理键盘、功能按键(比如音量控制按键、开关按键等)、鼠标、操作杆、轨迹球、麦克风、扬声器、和触控面板等中的一个或多个。
可以理解的是,本发明实施例中尽管在附图中以特定的顺序描述操作,但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作,或是要求执行全部所示的操作以得到期望的结果。在特定环境中,多任务和并行处理可能是有利的。
本发明实施例涉及的方法和装置能够利用标准编程技术来完成,利用基于规则的逻辑或者其他逻辑来实现各种方法步骤。还应当注意的是,此处以及权利要求书中使用的词语“装置”和“模块”意在包括使用一行或者多行软件代码的实现和/或硬件实现和/或用于接收输入的设备。
此处描述的任何步骤、操作或程序可以使用单独的或与其他设备组合的一个或多个硬件或软件模块来执行或实现。在一个实施方式中,软件模块使用包括包含计算机程序代码的计算机可读介质的计算机程序产品实现,其能够由计算机处理器执行用于执行任何或全部的所描述的步骤、操作或程序。
出于示例和描述的目的,已经给出了本发明实施的前述说明。前述说明并非是穷举性的也并非要将本发明限制到所公开的确切形式,根据上述教导还可能存在各种变形和修改,或者是可能从本发明的实践中得到各种变形和修改。选择和描述这些实施例是为了说明本发明的原理及其实际应用,以使得本领域的技术人员能够以适合于构思的特定用途来以各种实施方式和各种修改而利用本发明。
Claims (12)
1.一种图像识别网络对抗训练方法,包括:
图像识别网络获取步骤,获取图像识别网络,所述图像识别网络用于根据待测图像提取所述待测图像的特征向量,所述特征向量用于识别所述待测图像中的目标;
无关属性识别网络获取步骤,获取无关属性识别网络,所述无关属性识别网络用于根据所述特征向量识别所述待测图像的无关属性,所述待测图像的所述无关属性与所述待测图像中的所述目标的身份无关;
对抗训练步骤,对无关属性识别网络进行训练,使所述无关属性识别网络正确识别出所述待测图像的无关属性,之后根据所述无关属性识别网络的识别结果,训练所述图像识别网络,使所述无关属性识别网络根据训练后的所述图像识别网络提取的特征向量无法识别所述无关属性。
2.根据权利要求1所述的方法,其中,所述无关属性包括离散属性和/或连续属性。
3.根据权利要求2所述的方法,其中,所述离散属性包括图像拍摄模组属性、图像质量属性和图像拍摄光照属性中的一种或几种;所述连续属性包括:目标朝向属性和年龄属性中的一种或几种。
4.根据权利要求2所述的方法,其中,对所述无关属性识别网络进行训练,包括:基于所述无关属性,通过分类损失函数对所述无关属性识别网络进行训练。
5.根据权利要求4所述的方法,其中,所述通过分类损失函数对所述无关属性识别网络进行训练,包括:
根据所述离散属性,通过交叉熵损失函数对所述无关属性识别网络进行训练,和/或根据所述连续属性,通过铰链损失函数或平方损失函数对所述无关属性识别网络进行训练。
6.根据权利要求1所述的方法,其中,在所述图像识别网络获取步骤之前,所述方法还包括:图像识别网络预训练步骤,通过三元组学习方案和/或分类学习方案,训练所述图像识别网络。
7.根据权利要求1或6所述的方法,其中,在所述对抗训练步骤之后,所述方法还包括,图像识别网络训练步骤,通过三元组学习方案和/或分类学习方案,训练所述图像识别网络。
8.一种图像识别方法,包括:
图像识别网络对输入的图像进行图像识别,其中,
所述图像识别网络是通过权利要求1-7中任一项所述的图像识别网络对抗训练方法得到的图像识别网络。
9.一种图像识别网络对抗训练装置,包括:
图像识别网络获取单元,获取图像识别网络,所述图像识别网络用于根据待测图像提取特征向量,所述特征向量用于识别所述待测图像中的目标;
无关属性识别网络获取单元,用于获取无关属性识别网络,所述无关属性识别网络用于根据所述特征向量识别所述待测图像的无关属性,所述待测图像的所述无关属性与所述待测图像中的所述目标的身份无关;
对抗训练单元,用于对无关属性识别网络进行训练,使所述无关属性识别网络正确识别出所述待测图像的无关属性,之后根据所述无关属性识别网络的识别结果,训练所述图像识别网络,使所述无关属性识别网络根据训练后的所述图像识别网络提取的特征向量无法识别所述无关属性。
10.一种图像识别装置,包括:
识别单元,用于图像识别网络对输入的图像进行图像识别,其中,
所述图像识别网络是通过权利要求1-7中任一项所述的图像识别网络对抗训练方法得到的图像识别网络。
11.一种电子设备,其中,所述电子设备包括:
存储器,用于存储指令;以及
处理器,用于调用所述存储器存储的指令执行权利要求1至7中任一项所述的图像识别网络对抗训练方法或执行权利要求8所述的图像识别方法。
12.一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在计算机上运行时,执行权利要求1至7中任一项所述的图像识别网络对抗训练方法或执行权利要求8所述的图像识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910287639.5A CN110084287A (zh) | 2019-04-11 | 2019-04-11 | 图像识别网络对抗训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910287639.5A CN110084287A (zh) | 2019-04-11 | 2019-04-11 | 图像识别网络对抗训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110084287A true CN110084287A (zh) | 2019-08-02 |
Family
ID=67414856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910287639.5A Pending CN110084287A (zh) | 2019-04-11 | 2019-04-11 | 图像识别网络对抗训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084287A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659625A (zh) * | 2019-09-29 | 2020-01-07 | 深圳市商汤科技有限公司 | 物体识别网络的训练方法及装置、电子设备和存储介质 |
CN113449751A (zh) * | 2020-03-26 | 2021-09-28 | 上海交通大学 | 基于对称性和群论的物体-属性组合图像识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945118A (zh) * | 2017-10-30 | 2018-04-20 | 南京邮电大学 | 一种基于生成式对抗网络的人脸图像修复方法 |
CN108682417A (zh) * | 2018-05-14 | 2018-10-19 | 中国科学院自动化研究所 | 语音识别中的小数据语音声学建模方法 |
CN108875502A (zh) * | 2017-11-07 | 2018-11-23 | 北京旷视科技有限公司 | 人脸识别方法和装置 |
CN109492764A (zh) * | 2018-10-24 | 2019-03-19 | 平安科技(深圳)有限公司 | 生成式对抗网络的训练方法、相关设备及介质 |
-
2019
- 2019-04-11 CN CN201910287639.5A patent/CN110084287A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945118A (zh) * | 2017-10-30 | 2018-04-20 | 南京邮电大学 | 一种基于生成式对抗网络的人脸图像修复方法 |
CN108875502A (zh) * | 2017-11-07 | 2018-11-23 | 北京旷视科技有限公司 | 人脸识别方法和装置 |
CN108682417A (zh) * | 2018-05-14 | 2018-10-19 | 中国科学院自动化研究所 | 语音识别中的小数据语音声学建模方法 |
CN109492764A (zh) * | 2018-10-24 | 2019-03-19 | 平安科技(深圳)有限公司 | 生成式对抗网络的训练方法、相关设备及介质 |
Non-Patent Citations (1)
Title |
---|
姚乃明等: ""基于生成式对抗网络的鲁棒人脸表情识别"", 《自动化学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659625A (zh) * | 2019-09-29 | 2020-01-07 | 深圳市商汤科技有限公司 | 物体识别网络的训练方法及装置、电子设备和存储介质 |
CN113449751A (zh) * | 2020-03-26 | 2021-09-28 | 上海交通大学 | 基于对称性和群论的物体-属性组合图像识别方法 |
CN113449751B (zh) * | 2020-03-26 | 2022-08-19 | 上海交通大学 | 基于对称性和群论的物体-属性组合图像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934376B (zh) | 一种图像识别方法、装置及移动终端 | |
CN107132516B (zh) | 一种基于深度置信网络的雷达一维距离像目标识别方法 | |
CN108681746A (zh) | 一种图像识别方法、装置、电子设备和计算机可读介质 | |
Yang et al. | Action recognition using super sparse coding vector with spatio-temporal awareness | |
CN105303179A (zh) | 指纹识别方法、装置 | |
CN107358157A (zh) | 一种人脸活体检测方法、装置以及电子设备 | |
CN109002790A (zh) | 一种人脸识别的方法、装置、设备和存储介质 | |
CN110084002A (zh) | 深度神经网络攻击方法、装置、介质和计算设备 | |
CN102136024B (zh) | 生物特征识别性能测评和诊断优化系统 | |
CN106326288A (zh) | 图像搜索方法及装置 | |
CN109598234A (zh) | 关键点检测方法和装置 | |
CN110427893A (zh) | 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 | |
CN110008806A (zh) | 存储介质、学习处理方法、学习装置及物体识别装置 | |
CN109086723A (zh) | 一种基于迁移学习的人脸检测的方法、装置以及设备 | |
CN109711357A (zh) | 一种人脸识别方法及装置 | |
US10345914B2 (en) | Method and system for generating a synthetic database of postures and gestures | |
CN109086654A (zh) | 手写模型训练方法、文本识别方法、装置、设备及介质 | |
CN110060348A (zh) | 人脸图像整形方法及装置 | |
CN110084287A (zh) | 图像识别网络对抗训练方法及装置 | |
CN109993021A (zh) | 人脸正脸检测方法、装置及电子设备 | |
CN108960270A (zh) | 一种基于流形迁移学习的数据标定方法及系统 | |
Poier et al. | Murauer: Mapping unlabeled real data for label austerity | |
CN106228133A (zh) | 用户验证方法及装置 | |
Gu et al. | Unsupervised and semi-supervised robust spherical space domain adaptation | |
CN108875500A (zh) | 行人再识别方法、装置、系统及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190802 |