CN111680597B - 人脸识别模型处理方法、装置、设备和存储介质 - Google Patents
人脸识别模型处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111680597B CN111680597B CN202010478433.3A CN202010478433A CN111680597B CN 111680597 B CN111680597 B CN 111680597B CN 202010478433 A CN202010478433 A CN 202010478433A CN 111680597 B CN111680597 B CN 111680597B
- Authority
- CN
- China
- Prior art keywords
- face recognition
- network
- occlusion
- candidate
- model
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 26
- 230000000903 blocking effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000006440 Open Bite Diseases 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种人脸识别模型处理方法、装置、设备和存储介质，涉及人工智能深度学习技术领域，尤其涉及计算机视觉技术应用。具体实现方案为：根据遮挡场景下人脸识别模型的搜索空间，构建遮挡人脸识别超网络；其中，所述搜索空间至少包括候选空洞卷积和/或候选非局域模块；对所述遮挡人脸识别超网络进行采样，得到遮挡人脸识别子网络；采用遮挡样本数据，对所述遮挡人脸识别子网络进行训练，并根据训练结果更新所述遮挡人脸识别超网络。本申请提供了适合遮挡场景的人脸识别模型结构，从而能够提高遮挡场景下人脸识别性能。
Description
技术领域
本申请涉及人工智能深度学习领域，尤其涉及计算机视觉技术应用，具体涉及一种人脸识别模型处理方法、装置、设备和存储介质。
背景技术
人脸识别是指基于人的脸部特征信息进行身份识别，用处十分广泛。随着疫情的发展，对戴口罩等遮挡场景下人脸识别模型的需求日益增长。
传统的人脸识别模型无法解决遮挡场景的人脸识别，即使采用带口罩等遮挡场景的样本数据对非遮挡场景下的人脸识别模型进行训练，由于模型对于遮挡场景缺乏针对性，对于遮挡场景的人脸识别能力受限。
发明内容
本公开提供了一种用于人脸识别模型处理的方法、装置、设备以及存储介质。
根据第一方面，提供了一种人脸识别模型处理方法，包括：
根据遮挡场景下人脸识别模型的搜索空间，构建遮挡人脸识别超网络；其中，所述搜索空间至少包括候选空洞卷积和/或候选非局域模块；
对所述遮挡人脸识别超网络进行采样，得到遮挡人脸识别子网络；
采用遮挡样本数据，对所述遮挡人脸识别子网络进行训练，并根据训练结果更新所述遮挡人脸识别超网络。
根据第二方面，提供了一种人脸识别模型处理装置，包括：
超网络构建模块，用于根据遮挡场景下人脸识别模型的搜索空间，构建遮挡人脸识别超网络；其中，所述搜索空间至少包括候选空洞卷积和/或候选非局域模块；
子网络采样模块，用于对所述遮挡人脸识别超网络进行采样，得到遮挡人脸识别子网络；
网络训练模块，用于采用遮挡样本数据，对所述遮挡人脸识别子网络进行训练，并根据训练结果更新所述遮挡人脸识别超网络。
根据第三方面，提供了一种电子设备，该电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本申请实施例中任一项所述的人脸识别模型处理方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如本申请实施例中任一项所述的人脸识别模型处理方法。
根据本申请的技术提供了适合遮挡场景的人脸识别模型结构，从而能够提高遮挡场景下人脸识别性能。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请实施例提供的人脸识别模型处理方法的流程示意图；
图2是根据本申请实施例提供的人脸识别模型处理方法的流程示意图；
图3是根据本申请实施例提供的人脸识别模型处理方法的流程示意图；
图4是根据本申请实施例提供的人脸识别模型处理装置的结构示意图；
图5是用来实现本申请实施例的人脸识别模型处理方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请实施例提供的人脸识别模型处理方法的流程示意图。本实施例可适用于在戴口罩等遮挡场景下进行人脸识别的情况。本实施例公开的人脸识别模型处理方法可以由电子设备执行，具体可以由人脸识别模型处理装置来执行，该装置可以由软件和/或硬件的方式实现，配置于电子设备中。参见图1，本实施例提供的人脸识别模型处理方法包括：
S110、根据遮挡场景下人脸识别模型的搜索空间，构建遮挡人脸识别超网络。
随着NAS(Neural Architecture Search，神经网络架构搜索)技术的发展，通过在海量搜索空间中自动搜索最佳神经网络结构已经广泛应用。搜索空间定义是影响模型性能的重要因素。
在本申请实施例中，搜索空间是指网络结构的全集，包括各种候选网络结构供选择，根据遮挡场景下人脸识别模型的搜索空间定义确定。在搜索空间定义中通过增加感受野(Receptive Field)提升模型对遮挡部位不敏感性，也就是增加卷积神经网络每一层输出的特征图上像素点在输入图片上映射的区域大小。由于非遮挡场景下，人脸信息被遮挡，缺失部分关键点以及关键点之间关系，因此非遮挡人脸识别模型的网络结构不再适用于遮挡场景，本申请实施例针对遮挡场景定义搜索空间，以提供适用于遮挡场景的网格结构。
在一种可选方式中，在搜索空间中加入候选空洞卷积(Dilated convolutions)，即引入对于是否加入空洞卷积的搜索。其中，空洞卷积通过在卷积过程中，在卷积核元素之间塞入空格能够增加感受野。
在一种可选方式中，在搜索空间中候选非局域(non local)模块，即引入对于是否加入非局域模块的搜索，以提升模型在遮挡场景下对于全局的认知能力。非局域模块在计算某个位置的响应时，考虑所有位置特征的加权，而不是仅考虑该位置特征。需要说明的是，搜索空间可以同时包括候选空洞卷积和候选非局域模块。本申请实施例，通过考虑到遮挡场景的特性，创造性的提供遮挡场景下搜索空间的设计规则，从而提高遮挡场景下人脸识别模型的性能。
具体的，根据搜索空间的候选结构，构建遮挡人脸识别超网络，例如遮挡人脸识别超网络可以包括N层，根据搜索空间每层可以有M种候选结构。其中，遮挡人脸识别超网络的层数可以根据人脸识别的执行方确定，例如执行方是服务端的层数大于执行方是客户端的层数。
S120、对所述遮挡人脸识别超网络进行采样，得到遮挡人脸识别子网络。
具体的，针对遮挡人脸识别超网络中的每一层，从搜索空间的各候选网络结构中选择该层的结构，得到遮挡人脸识别子网络。仍以遮挡人脸识别超网络包括N层，每层级有M种候选结构为例，遮挡人脸识别子网络有N层，每层的网络结构确定。
S130、采用遮挡样本数据，对所述遮挡人脸识别子网络进行训练，并根据训练结果更新所述遮挡人脸识别超网络。
采用遮挡样本数据例如戴口罩的人脸样本数据，对遮挡人脸识别子网络进行训练，若遮挡人脸识别子网络训练结束，例如遮挡人脸识别子网络的训练次数大于预设值，则通过反向传播更新遮挡人脸识别子网络的参数，并通过参数共享，将遮挡人脸识别子网络的参数同步给遮挡人脸识别超网络，即更新遮挡人脸识别超网络的参数。在各遮挡人脸识别子网络训练结束之后，通过参数共享即得到遮挡人脸识别超网络。由于遮挡人脸识别超网络基于遮挡场景下的搜索空间构建，且模型参数采用遮挡样本数据更新，因此更新后的遮挡人脸识别超网络针对遮挡场景生成，也就是说，从更新后的遮挡人脸识别超网络中采样的子模型均适用于遮挡场景，相比于非遮挡场景模型均有较好性能。
本申请实施例的技术方案，针对遮挡场景定义搜索空间，在搜索空间中引入对于是否加入空洞卷积，非局域模块的搜索，能够增加模型的感受野；以及，采用遮挡样本数据，对子网络进行训练，且将子网络的参数共享给超网络，能够提高模型在遮挡场景下的性能。
图2是根据本申请实施例提供的一种人脸识别模型处理方法的流程示意图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图2，本实施例提供的人脸识别模型处理方法包括：
S210、根据遮挡场景下人脸识别模型的搜索空间，构建遮挡人脸识别超网络。
其中，所述搜索空间至少包括候选空洞卷积和/或候选非局域模块。
在一种可选实施方式中，所述搜索空间还包括至少两个候选卷积核尺寸，即在搜索空间中引入对于是否加入对至少两个候选卷积核尺寸的搜索。超网络中部分层的卷积核尺寸增加虽然影响模型速度，但是对模型性能带来明显改善，部分层的卷积核尺寸增加只能降低模型速度，而对模型性能改善较小，通过对卷积核尺寸的搜索，确定超网络中各层的卷积核尺寸，使得兼顾模型兼顾效率和性能要求。本申请实施例对候选卷积核尺寸不作具体限定，例如可以包括3×3，5×5和7×7。
在一种可选实施方式中，所述搜索空间还包括候选组卷积，即搜索空间不仅包括普通卷积还包括组卷积，引入了对不同卷积类型的搜索。其中，普通卷积是指对输入数据的整体一起做卷积操作，组卷积是指将输入数据分成至少两组，每组一起做卷积操作。由于搜索空间中非局域模块导致模型速度明显降低，通过引入组卷积能够加快模型的效率，但是组卷积相比于普通卷积缺少不同层之间关联关系，引入组卷积也可能导致模型性能降低。通过对超网络中各层分别进行卷积类型的搜索，能够使模型兼顾效率和性能要求。
在一种可选实施方式中，所述搜索空间还包括至少两个候选膨胀系数(ExpansionRate)。通过在卷积操作的基础上增加膨胀系数，尤其在组卷积操作上增加膨胀系数，将卷积核扩张到膨胀系数所约束的尺度中，快速扩大感受野，使得卷积输出包含较大范围的信息，尤其是能够补偿因引入非局域模块导致模型效率较低。本申请实施例对候选膨胀系数不作具体限定，例如可以包括1、2、3、4、5和6。
在一种可选实施方式中，所述搜索空间还包括候选挤压激励(Squeeze-and-Excitation，SE)操作，即在搜索空间中引入对于是否加入SE操作的搜索。SE操作通过对卷积得到的特征图进行处理，得到和通道数一样的一维向量作为每个通道的评价分数，然后将该评价分数分别施加到对应的通道上，即SE操作考虑模型中不同层之间的关联性。SE操作能够补偿组卷积导致的不同层之间缺少关联性，即对组卷积性能进行补充。
需要说明的是，本申请实施例中搜索空间的不同候选网络结构相互配合，通过引入空洞卷积和非局域模块为遮挡场景增加模型的感受野，然而非局域模块导致模型速度下降，可以通过引入卷积核尺寸、碰撞系数、组卷积来加速；以及，组卷积缺失层间关系，可以通过引入SE操作补偿缺失的层级关系。通过在搜索空间提供针对遮挡场景的各种候选结构，从而生成在遮挡场景下兼顾效率和性能要求的模型。
S220、根据正交比例超参数的取值，从所述遮挡人脸识别超网络中采样满足正交关系的遮挡人脸识别子网络。
在本实施例中，正交比例的取值由子网络中不同层的节点重合数确定，不同层之间节点重合数越少，正交比例的取值越大，不同层的共存性越大；反之，节点重合数越大，正交比例的取值越小，不同层的互斥性越大。正交比例为1是完全正交，不同层之间没有重复节点。其中，节点是指搜索空间中的候选网络结构。
本申请实施例将正交比例作为超参数，通过网络搜索确定正交比例的取值，从而使子网络不同层能够在互斥性和共存性之间寻求平衡。
具体的，根据正交比例超参数的取值，在采样过程中控制不同层之间的节点重合数，得到遮挡人脸识别子网络。
S230、采用遮挡样本数据，对所述遮挡人脸识别子网络进行训练，并根据训练结果更新所述遮挡人脸识别超网络。
本申请实施例的技术方案，通过在搜索空间中引入相互配合的不同候选结构，使得模型在遮挡场景下能够兼顾性能和效率要求，并且将正交比例作为超参数，通过搜索寻求使子网络兼顾互斥性和共存性的正交比例取值，进一步提高了模型性能。
图3是根据本申请实施例提供的一种人脸识别模型处理方法的流程示意图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图3，本实施例提供的人脸识别模型处理方法包括：
S310、根据遮挡场景下人脸识别模型的搜索空间，构建遮挡人脸识别超网络。
其中，所述搜索空间至少包括候选空洞卷积和/或候选非局域模块。
可选的，所述搜索空间还可以包括如下至少一项：至少两个候选卷积核尺寸、候选组卷积、至少两个候选膨胀系数和候选挤压激励操作。
S320、对所述遮挡人脸识别超网络进行采样，得到遮挡人脸识别子网络。
具体的，在对遮挡人脸识别超网络进行采样之前，还对超网络进行初始化，可以随机初始化。根据获取的正交比例经验值，或者将正交比例作为超参数通过搜索确定正交比例的取值。根据正交比例的取值进行子网络采样。
S330、采用遮挡样本数据，对所述遮挡人脸识别子网络进行训练，并根据训练结果更新所述遮挡人脸识别超网络。
S340、通过模型搜索，根据更新后的遮挡人脸识别超网络，确定遮挡人脸识别模型。
具体的，通过NAS技术，利用搜索策略从训练好的遮挡人脸识别超网络中采样，并基于评估机制对采样结果进行性能评估，选择性能评估结果较好的采样结果作为遮挡人脸识别模型。
在一种可选实施方式中，S340包括：从更新后的遮挡人脸识别超网络中采样延时小于时长阈值的候选模型结构；从所述候选模型结构中选择遮挡人脸识别模型。
考虑到人脸识别的时效性要求，从训练好的超网络中选择延时小于时长阈值的候选模型结构。其中，时长阈值可以为预设值，例如为10ms。具体的，根据候选模型结构包括的节点，确定候选模型结构的延时。节点与延时之间关联关系可以预先确定。
在一种可选实施方式中，从所述候选模型结构中选择遮挡人脸识别模型，包括：评估所述候选模型结构的性能；根据所述候选模型结构的性能，从所述候选模型结构中选择遮挡人脸识别模型。具体的，可以将性能最优的候选模型结构作为遮挡人脸识别模型。
本申请实施例的技术方案，通过在搜索空间中引入相互配合的不同候选结构，通过自动化的方式快速搜索得到最适合遮挡场景下的人脸识别模型结构，从而使得遮挡场景下人脸识别模型同样具有较好的识别能力。
图4是根据本申请实施例提供的人脸识别模型处理装置的结构示意图。参见图4，本申请实施例公开了人脸识别模型处理装置400，该装置400包括：
超网络构建模块401，用于根据遮挡场景下人脸识别模型的搜索空间，构建遮挡人脸识别超网络；其中，所述搜索空间至少包括候选空洞卷积和/或候选非局域模块；
子网络采样模块402，用于对所述遮挡人脸识别超网络进行采样，得到遮挡人脸识别子网络；
网络训练模块403，用于采用遮挡样本数据，对所述遮挡人脸识别子网络进行训练，并根据训练结果更新所述遮挡人脸识别超网络。
可选的，所述子网络采样模块402具体用于：
根据正交比例超参数的取值，从所述遮挡人脸识别超网络中采样满足正交关系的遮挡人脸识别子网络。
可选的，所述装置还包括：
模型搜索模块，用于根据训练结果更新所述遮挡人脸识别超网络之后，通过模型搜索，根据更新后的遮挡人脸识别超网络，确定遮挡人脸识别模型。
可选的，所述模型搜索模块包括：
候选采样单元，用于从更新后的遮挡人脸识别超网络中采样延时小于时长阈值的候选模型结构；
模型选择单元，用于从所述候选模型结构中选择遮挡人脸识别模型。
可选的，所述模型选择单元包括：
性能评估子单元，用于评估所述候选模型结构的性能；
模型选择子单元，用于根据所述候选模型结构的性能，从所述候选模型结构中选择遮挡人脸识别模型。
可选的，所述搜索空间还包括如下至少一项：至少两个候选卷积核尺寸、候选组卷积、至少两个候选膨胀系数和候选挤压激励操作。
本申请实施例的技术方案，通过在搜索空间中引入相互配合的不同候选结构，通过自动化的方式快速搜索得到最适合遮挡场景下的人脸识别模型结构，从而使得遮挡场景下人脸识别模型同样具有较好的识别能力。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图5所示，是根据本申请实施例的人脸识别模型处理的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的人脸识别模型处理的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的人脸识别模型处理的方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的人脸识别模型处理的方法对应的程序指令/模块(例如，附图4所示的超网络构建模块401、子网络采样模块402和网络训练模块403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的人脸识别模型处理的方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据人脸识别模型处理的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至人脸识别模型处理的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
人脸识别模型处理的方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与人脸识别模型处理的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过在搜索空间中引入相互配合的不同候选结构，通过自动化的方式快速搜索得到最适合遮挡场景下的人脸识别模型结构，从而使得遮挡场景下人脸识别模型同样具有较好的识别能力。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (14)
1.一种人脸识别模型处理方法，包括：
根据遮挡场景下人脸识别模型的搜索空间，构建遮挡人脸识别超网络；其中，所述搜索空间至少包括候选空洞卷积和/或候选非局域模块；
对所述遮挡人脸识别超网络进行采样，得到遮挡人脸识别子网络；
采用遮挡样本数据，对所述遮挡人脸识别子网络进行训练，并根据训练结果更新所述遮挡人脸识别超网络。
2.根据权利要求1所述的方法，其中，所述对所述遮挡人脸识别超网络进行采样，得到遮挡人脸识别子网络，包括：
根据正交比例超参数的取值，从所述遮挡人脸识别超网络中采样满足正交关系的遮挡人脸识别子网络。
3.根据权利要求1所述的方法，根据训练结果更新所述遮挡人脸识别超网络之后，还包括：
通过模型搜索，根据更新后的遮挡人脸识别超网络，确定遮挡人脸识别模型。
4.根据权利要求3所述的方法，其中，所述通过模型搜索，根据更新后的遮挡人脸识别超网络，确定遮挡人脸识别模型，包括：
从更新后的遮挡人脸识别超网络中采样延时小于时长阈值的候选模型结构；
从所述候选模型结构中选择遮挡人脸识别模型。
5.根据权利要求4所述的方法，其中，所述从所述候选模型结构中选择遮挡人脸识别模型，包括：
评估所述候选模型结构的性能；
根据所述候选模型结构的性能，从所述候选模型结构中选择遮挡人脸识别模型。
6.根据权利要求1所述的方法，所述搜索空间还包括如下至少一项：至少两个候选卷积核尺寸、至少两个候选膨胀系数、候选组卷积和候选挤压激励操作。
7.一种人脸识别模型处理装置，包括：
超网络构建模块，用于根据遮挡场景下人脸识别模型的搜索空间，构建遮挡人脸识别超网络；其中，所述搜索空间至少包括候选空洞卷积和/或候选非局域模块；
子网络采样模块，用于对所述遮挡人脸识别超网络进行采样，得到遮挡人脸识别子网络；
网络训练模块，用于采用遮挡样本数据，对所述遮挡人脸识别子网络进行训练，并根据训练结果更新所述遮挡人脸识别超网络。
8.根据权利要求7所述的装置，其中，所述子网络采样模块具体用于：
根据正交比例超参数的取值，从所述遮挡人脸识别超网络中采样满足正交关系的遮挡人脸识别子网络。
9.根据权利要求7所述的装置，还包括：
模型搜索模块，用于根据训练结果更新所述遮挡人脸识别超网络之后，通过模型搜索，根据更新后的遮挡人脸识别超网络，确定遮挡人脸识别模型。
10.根据权利要求9所述的装置，其中，所述模型搜索模块包括：
候选采样单元，用于从更新后的遮挡人脸识别超网络中采样延时小于时长阈值的候选模型结构；
模型选择单元，用于从所述候选模型结构中选择遮挡人脸识别模型。
11.根据权利要求10所述的装置，其中，所述模型选择单元包括：
性能评估子单元，用于评估所述候选模型结构的性能；
模型选择子单元，用于根据所述候选模型结构的性能，从所述候选模型结构中选择遮挡人脸识别模型。
12.根据权利要求7所述的装置，所述搜索空间还包括如下至少一项：至少两个候选卷积核尺寸、至少两个候选膨胀系数、候选组卷积和候选挤压激励操作。
13. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010478433.3A CN111680597B (zh) | 2020-05-29 | 2020-05-29 | 人脸识别模型处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010478433.3A CN111680597B (zh) | 2020-05-29 | 2020-05-29 | 人脸识别模型处理方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111680597A CN111680597A (zh) | 2020-09-18 |
| CN111680597B true CN111680597B (zh) | 2023-09-01 |
Family
ID=72452977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010478433.3A Active CN111680597B (zh) | 2020-05-29 | 2020-05-29 | 人脸识别模型处理方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111680597B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112883776B (zh) * | 2021-01-04 | 2022-09-16 | 南开大学 | 基于全局到局部的感受野搜索的动作分割模型获取方法 |
| CN112861689A (zh) * | 2021-02-01 | 2021-05-28 | 上海依图网络科技有限公司 | 一种基于nas技术的坐标识别模型的搜索方法及装置 |
| CN113657465B (zh) * | 2021-07-29 | 2024-04-09 | 北京百度网讯科技有限公司 | 预训练模型的生成方法、装置、电子设备和存储介质 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106910176A (zh) * | 2017-03-02 | 2017-06-30 | 中科视拓（北京）科技有限公司 | 一种基于深度学习的人脸图像去遮挡方法 |
| CN107038429A (zh) * | 2017-05-03 | 2017-08-11 | 四川云图睿视科技有限公司 | 一种基于深度学习的多任务级联人脸对齐方法 |
| CN107609481A (zh) * | 2017-08-14 | 2018-01-19 | 百度在线网络技术（北京）有限公司 | 为人脸识别生成训练数据的方法、装置和计算机存储介质 |
| CN107784482A (zh) * | 2017-09-30 | 2018-03-09 | 平安科技（深圳）有限公司 | 招聘方法、电子装置及可读存储介质 |
| CN109784153A (zh) * | 2018-12-10 | 2019-05-21 | 平安科技（深圳）有限公司 | 情绪识别方法、装置、计算机设备及存储介质 |
| CN109840477A (zh) * | 2019-01-04 | 2019-06-04 | 苏州飞搜科技有限公司 | 基于特征变换的受遮挡人脸识别方法及装置 |
| CN109886216A (zh) * | 2019-02-26 | 2019-06-14 | 华南理工大学 | 基于vr情景人脸图像复原的表情识别方法、设备及介质 |
| CN109934115A (zh) * | 2019-02-18 | 2019-06-25 | 苏州市科远软件技术开发有限公司 | 人脸识别模型的构建方法、人脸识别方法及电子设备 |
| CN109977887A (zh) * | 2019-01-30 | 2019-07-05 | 四川电科维云信息技术有限公司 | 一种抗年龄干扰的人脸识别方法 |
| CN110084995A (zh) * | 2019-04-30 | 2019-08-02 | 北京百度网讯科技有限公司 | 辐射提示方法、装置、电子设备和存储介质 |
| CN110188640A (zh) * | 2019-05-20 | 2019-08-30 | 北京百度网讯科技有限公司 | 人脸识别方法、装置、服务器和计算机可读介质 |
| CN110414394A (zh) * | 2019-07-16 | 2019-11-05 | 公安部第一研究所 | 一种面部遮挡人脸图像重建方法以及用于人脸遮挡检测的模型 |
| CN110543815A (zh) * | 2019-07-22 | 2019-12-06 | 平安科技（深圳）有限公司 | 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质 |
| CN110782010A (zh) * | 2019-10-18 | 2020-02-11 | 北京小米智能科技有限公司 | 一种神经网络的构建方法及装置、存储介质 |
| CN110826507A (zh) * | 2019-11-11 | 2020-02-21 | 北京百度网讯科技有限公司 | 人脸检测方法、装置、设备及存储介质 |
| CN110929569A (zh) * | 2019-10-18 | 2020-03-27 | 平安科技（深圳）有限公司 | 人脸识别方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10565433B2 (en) * | 2017-03-30 | 2020-02-18 | George Mason University | Age invariant face recognition using convolutional neural networks and set distances |
-
2020
- 2020-05-29 CN CN202010478433.3A patent/CN111680597B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106910176A (zh) * | 2017-03-02 | 2017-06-30 | 中科视拓（北京）科技有限公司 | 一种基于深度学习的人脸图像去遮挡方法 |
| CN107038429A (zh) * | 2017-05-03 | 2017-08-11 | 四川云图睿视科技有限公司 | 一种基于深度学习的多任务级联人脸对齐方法 |
| CN107609481A (zh) * | 2017-08-14 | 2018-01-19 | 百度在线网络技术（北京）有限公司 | 为人脸识别生成训练数据的方法、装置和计算机存储介质 |
| CN107784482A (zh) * | 2017-09-30 | 2018-03-09 | 平安科技（深圳）有限公司 | 招聘方法、电子装置及可读存储介质 |
| CN109784153A (zh) * | 2018-12-10 | 2019-05-21 | 平安科技（深圳）有限公司 | 情绪识别方法、装置、计算机设备及存储介质 |
| CN109840477A (zh) * | 2019-01-04 | 2019-06-04 | 苏州飞搜科技有限公司 | 基于特征变换的受遮挡人脸识别方法及装置 |
| CN109977887A (zh) * | 2019-01-30 | 2019-07-05 | 四川电科维云信息技术有限公司 | 一种抗年龄干扰的人脸识别方法 |
| CN109934115A (zh) * | 2019-02-18 | 2019-06-25 | 苏州市科远软件技术开发有限公司 | 人脸识别模型的构建方法、人脸识别方法及电子设备 |
| CN109886216A (zh) * | 2019-02-26 | 2019-06-14 | 华南理工大学 | 基于vr情景人脸图像复原的表情识别方法、设备及介质 |
| CN110084995A (zh) * | 2019-04-30 | 2019-08-02 | 北京百度网讯科技有限公司 | 辐射提示方法、装置、电子设备和存储介质 |
| CN110188640A (zh) * | 2019-05-20 | 2019-08-30 | 北京百度网讯科技有限公司 | 人脸识别方法、装置、服务器和计算机可读介质 |
| CN110414394A (zh) * | 2019-07-16 | 2019-11-05 | 公安部第一研究所 | 一种面部遮挡人脸图像重建方法以及用于人脸遮挡检测的模型 |
| CN110543815A (zh) * | 2019-07-22 | 2019-12-06 | 平安科技（深圳）有限公司 | 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质 |
| CN110782010A (zh) * | 2019-10-18 | 2020-02-11 | 北京小米智能科技有限公司 | 一种神经网络的构建方法及装置、存储介质 |
| CN110929569A (zh) * | 2019-10-18 | 2020-03-27 | 平安科技（深圳）有限公司 | 人脸识别方法、装置、设备及存储介质 |
| CN110826507A (zh) * | 2019-11-11 | 2020-02-21 | 北京百度网讯科技有限公司 | 人脸检测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的部分遮挡人脸识别;王振华;苏金善;仝琼琳;;电子技术与软件工程(第02期);第151-153页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111680597A (zh) | 2020-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111680597B (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
| CN111680600B (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
| US11899710B2 (en) | Image recognition method, electronic device and storage medium | |
| KR102648232B1 (ko) | 다중 모드 사전 훈련 모델 취득 방법, 장치, 전자 기기 및 기록 매체 | |
| CN111488971B (zh) | 神经网络模型搜索方法及装置、图像处理方法及装置 | |
| KR102528748B1 (ko) | 지식 그래프를 구축하는 방법, 장치, 기기 및 저장 매체 | |
| CN113094550B (zh) | 视频检索方法、装置、设备和介质 | |
| CN111667057B (zh) | 用于搜索模型结构的方法和装置 | |
| CN111462174B (zh) | 多目标跟踪方法、装置以及电子设备 | |
| CN110826696B (zh) | 超网络的搜索空间构建方法、装置以及电子设备 | |
| KR102532368B1 (ko) | 공유 엔코더 생성 방법, 장치 및 전자 기기 | |
| CN111241234B (zh) | 文本分类方法及装置 | |
| CN111461343B (zh) | 模型参数更新方法及其相关设备 | |
| CN111695519B (zh) | 关键点定位方法、装置、设备以及存储介质 | |
| CN111582375A (zh) | 数据增强策略搜索方法、装置、设备以及存储介质 | |
| CN110580520A (zh) | 基于超网络的模型结构采样、装置以及电子设备 | |
| CN111652354B (zh) | 用于训练超网络的方法、装置、设备以及存储介质 | |
| CN110766089A (zh) | 超网络的模型结构采样方法、装置以及电子设备 | |
| CN111680599B (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
| CN112100466A (zh) | 生成搜索空间的方法、装置、设备及存储介质 | |
| CN111783950A (zh) | 基于超网络的模型获取方法、装置、设备及存储介质 | |
| CN111783951B (zh) | 基于超网络的模型获取方法、装置、设备及存储介质 | |
| CN111160552B (zh) | 新闻信息的推荐处理方法、装置、设备和计算机存储介质 | |
| CN111488972B (zh) | 数据迁移方法、装置、电子设备和存储介质 | |
| CN110598629B (zh) | 超网络的搜索空间构建方法、装置以及电子设备 |
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 |