CN111680598B - 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
- CN111680598B CN111680598B CN202010478538.9A CN202010478538A CN111680598B CN 111680598 B CN111680598 B CN 111680598B CN 202010478538 A CN202010478538 A CN 202010478538A CN 111680598 B CN111680598 B CN 111680598B
- Authority
- CN
- China
- Prior art keywords
- pruning
- face recognition
- search space
- sub
- search
- 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 17
- 238000013138 pruning Methods 0.000 claims abstract description 150
- 238000000034 method Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 208000006440 Open Bite Diseases 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 16
- 235000019580 granularity Nutrition 0.000 description 14
- 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
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000011229 interlayer Substances 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
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
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，具体涉及计算机视觉技术应用。具体实现方案为：采用遮挡样本数据，生成遮挡场景下的人脸识别超网络模型；根据遮挡场景下的搜索空间，对所述人脸识别超网络模型进行剪枝搜索，得到人脸识别轻量模型；其中，所述搜索空间包括至少两级子搜索空间，且每一级子搜索空间的剪枝率步长小于上一级子搜索空间的剪枝率步长。本申请能够提高遮挡场景下人脸识别效率。
Description
技术领域
本申请涉及人工智能深度学习技术领域，具体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。
为了提升模型对于遮挡场景的人脸识别能力需要特别大的模型结构，而超大的模型很难满足人脸识别的实时性需求。
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：
采用遮挡样本数据，生成遮挡场景下的人脸识别超网络模型；
根据遮挡场景下的搜索空间，对所述人脸识别超网络模型进行剪枝搜索，得到人脸识别轻量模型；
其中，所述搜索空间包括至少两级子搜索空间，且每一级子搜索空间的剪枝率步长小于上一级子搜索空间的剪枝率步长。
根据第二方面，提供了一种人脸识别模型处理装置，包括：
超网络训练模块，用于采用遮挡样本数据，生成遮挡场景下的人脸识别超网络模型；
模型剪枝搜索模块，用于根据遮挡场景下的搜索空间，对所述人脸识别超网络模型进行剪枝搜索，得到人脸识别轻量模型；
其中，所述搜索空间包括至少两级子搜索空间，且每一级子搜索空间的剪枝率步长小于上一级子搜索空间的剪枝率步长。
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效率。
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装置的结构示意图；
图4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、采用遮挡样本数据，生成遮挡场景下的人脸识别超网络模型。
其中，遮挡样本数据是指包括口罩等遮挡物品的样本人脸图像和样本标签。遮挡场景下的人脸识别超网络模型是指在遮挡场景下具有良好性能的深层次人脸识别模型。具体的，可以采用遮挡样本数据对初始网络结构进行训练，得到遮挡场景下的人脸识别超网络模型，为了使人脸识别超网络模型满足性能要求，初始网络结构的层数一般大于预设数值。由于模型太大，超网络虽然满足性能要求但是很难满足遮挡场景下人脸识别的实时性需求。
在一种可选实施方式中，S110包括采用遮挡样本数据，对非遮挡场景下的人脸识别模型进行训练，得到遮挡场景下的人脸识别超网络模型。
其中，非遮挡样本数据是指不包括遮挡物品的样本人脸图像和样本标签，非遮挡场景下的人脸识别模型是指在非遮挡场景下具有良好性能的深层次人脸识别模型。具体的，预先采用非遮挡样本数据生成非遮挡场景下的人脸识别模型，再采用遮挡样本数据对非遮挡场景下的人脸识别模型进行训练得到在遮挡场景下具有良好性能的人脸识别超网络模型。
S120、根据遮挡场景下的搜索空间，对所述人脸识别超网络模型进行剪枝搜索，得到人脸识别轻量模型。
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。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。在本申请实施例中，搜索空间主要包括各种候选剪枝率供选择。
在本申请实施例中，所述搜索空间包括至少两级子搜索空间，且每一级子搜索空间的剪枝率步长小于上一级子搜索空间的剪枝率步长。也就是说，每一级子搜索空间的剪枝粒度细于上一级子搜索空间的剪枝粒度。通过提供不同粗细粒度的至少两级子搜索空间，由粗粒度到细粒度逐级对人脸识别超网络模型进行剪枝。先通过粗粒度剪枝，收敛速度快，用于宏观搜索人脸识别超网络模型中层间关系，使层间剪枝合理；再结合细粒度剪枝，提高剪枝结果的性能，即本申请实施例剪枝搜索能够兼顾模型的速度和性能需求。
可选的，所述搜索空间包括第一级子搜索空间、第二级子搜索空间和第三子搜索空间。其中，第一级子搜索空间作为初始子搜索空间粒度最大，第三子搜索空间的粒度最小。本申请实施例对各级子搜索空间的剪枝率步长不作具体限定，例如第一级剪枝率步长可以为10%，第二级剪枝率步长可以为4%，第三级剪枝率步长可以为2%。通过提供三级粗细粒度不同的子搜索空间，由粗粒度到细粒度逐级对人脸识别超网络模型进行剪枝，将三级最优剪枝结果作为人脸识别轻量模型，能够使人脸识别轻量模型兼顾性能和效率要求。
需要说明的是，由于本申请实施例通过剪枝搜索得到人脸识别轻量模型，而无需对剪枝结果进行再训练，因此可以离线得到人脸识别轻量模型。
本申请实施例的技术方案，通过提供包括粒度不同的至少两级子搜索空间，通过各级子搜索空间对人脸识别轻量模型进行剪枝搜索，能够使人脸识别轻量模型兼顾性能和效率要求。并且，无需再对剪枝结果进行训练，剪枝搜索效率高。
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、采用遮挡样本数据，生成遮挡场景下的人脸识别超网络模型。
S220、根据上一级剪枝搜索结果和当前级子搜索空间的剪枝率步长，构建当前级子搜索空间。
其中，搜索空间包括至少两级子搜索空间，且每一级子搜索空间的剪枝率步长小于上一级子搜索空间的剪枝率步长，即不同级子搜索空间的剪枝粒度不同。当前级子搜索空间为除第一级子搜索空间之外的其他级子搜索空间，第一级子搜索空间为粒度最大的子搜索空间。
具体的，可以采用当前级子搜索空间的剪枝率步长，在上一级剪枝搜索结果附近选择至少两个候选剪枝率，以得到当前级子搜索空间。通过在上一级剪枝搜索结果附近构建当前级子搜索空间，能够避免当前级子搜索空间不恰当引起的过渡剪枝性能降低，或过细剪枝效率低下。
在一种可选实施方式中，上一级剪枝搜索结果包括所述人脸识别超网络模型中层结构的上一级最优剪枝率；相应地，S220可以包括：根据所述人脸识别超网络模型中层结构的上一级最优剪枝率，和所述当前级子搜索空间的剪枝率步长，为所述层结构确定至少两个候选剪枝率，以得到所述当前级子搜索空间。
其中，人脸识别超网络模型中不同层结构的上一级最优剪枝率可以相同也可以不同。具体的，针对人脸识别超网络模型中每一层结构，按照当前级子搜索空间的剪枝率步长，在该层结构的上一级最优剪枝率附近选择候选剪枝率，使候选剪枝率兼顾速度和效率需求。以某一层结构的上一级最优剪枝率为10%，当前级子搜索空间的剪枝率步长为2%为例，该层结构的当前级候选剪枝率可以包括6%、8%、10%、12%和14%。需要说明的是，本申请实施例对各层结构的当前级候选剪枝率的数量不作具体限定。
在一种可选实施方式中，若当前级子搜索空间为第一级子搜索空间，则根据所述当前级子搜索空间的剪枝率步长，构建当前级子搜索空间；根据所述当前级子搜索空间，对所述人脸识别超网络模型进行剪枝搜索得到当前级剪枝结果。由于第一级子搜索空间为初始子搜索空间，按照第一级子搜索空间的剪枝率步长，构建至少两个第一级的候选剪枝率即可。以第一级子搜索空间的剪枝率步长是10%为例，可以从10%、20%、30%、…90%中选择至少两个第一级的候选剪枝率。
S230、根据所述当前级子搜索空间，对所述人脸识别超网络模型进行剪枝搜索得到当前级剪枝结果。
可选的，S230包括：根据所述当前级子搜索空间，对所述人脸识别超网络模型进行搜索剪枝，得到候选剪枝模型；根据所述候选剪枝模型的性能，从所述候选剪枝模型中选择所述当前级剪枝结果。
具体的，基于搜索策略，从当前级子搜索空间中为各层结构采样裁剪率，根据采样的裁剪率对各层结构进行裁剪，得到候选剪枝模型。对候选剪枝模型进行性能评估，将性能最优的候选剪枝模型作为当前级剪枝结果。需要说明的是，若当前级为最后一级，则将当前级剪枝结果作为人脸识别轻量模型。
本申请实施例的技术方案，通过分粒度对人脸识别超网络模型进行剪枝搜索，能够得到性能足够好且足够小的模型结构，从而使得疫情期间或者其他戴口罩等遮挡场景下，人脸识别模型同样具有较好的识别能力。
图3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3，本申请实施例公开了人脸识别模型处理装置300，该装置300包括：
超网络训练模块301，用于采用遮挡样本数据，生成遮挡场景下的人脸识别超网络模型；
模型剪枝搜索模块302，用于根据遮挡场景下的搜索空间，对所述人脸识别超网络模型进行剪枝搜索，得到人脸识别轻量模型；
其中，所述搜索空间包括至少两级子搜索空间，且每一级子搜索空间的剪枝率步长小于上一级子搜索空间的剪枝率步长。
可选的，所述模型剪枝搜索模块302包括：
第一子空间构建单元，用于根据上一级剪枝搜索结果和当前级子搜索空间的剪枝率步长，构建当前级子搜索空间；
第一空间剪枝单元，用于根据所述当前级子搜索空间，对所述人脸识别超网络模型进行剪枝搜索得到当前级剪枝结果。
可选的，所述上一级剪枝搜索结果包括所述人脸识别超网络模型中层结构的上一级最优剪枝率；
相应地，所述第一子空间构建单元具体用于：
根据所述人脸识别超网络模型中层结构的上一级最优剪枝率，和所述当前级子搜索空间的剪枝率步长，为所述层结构确定至少两个候选剪枝率，以得到所述当前级子搜索空间。
可选的，所述模型剪枝搜索模块302包括：
第二子空间构建单元，用于若当前级子搜索空间为第一级子搜索空间，则根据所述当前级子搜索空间的剪枝率步长，构建当前级子搜索空间；
第二空间剪枝单元，用于根据所述当前级子搜索空间，对所述人脸识别超网络模型进行剪枝搜索得到当前级剪枝结果。
可选的，所述空间剪枝单元具体用于：
根据所述当前级子搜索空间，对所述人脸识别超网络模型进行搜索剪枝，得到候选剪枝模型；
根据所述候选剪枝模型的性能，从所述候选剪枝模型中选择所述当前级剪枝结果。
可选的，所述搜索空间包括第一级子搜索空间、第二级子搜索空间和第三子搜索空间。
可选的，所述超网络训练模块301具体用于：
采用遮挡样本数据，对非遮挡场景下的人脸识别模型进行训练，得到遮挡场景下的人脸识别超网络模型。
本申请实施例的技术方案，通过分粒度对人脸识别超网络模型进行剪枝搜索，能够得到性能足够好且足够小的模型结构，从而使得疫情期间或者其他戴口罩等遮挡场景下，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4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4所示，该电子设备包括：一个或多个处理器401、存储器402，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）。以一个处理器401为例。
存储器402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402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3所示的超网络训练模块301和模型剪枝搜索模块302）。处理器401通过运行存储在存储器402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402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402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402可选包括相对于处理器401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403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，以通过总线连接为例。
输入装置403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404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 (16)
1.一种人脸识别模型处理方法，包括：
采用遮挡样本数据，生成遮挡场景下的人脸识别超网络模型；
根据遮挡场景下的搜索空间，对所述人脸识别超网络模型进行剪枝搜索，得到人脸识别轻量模型；
其中，所述搜索空间包括至少两级子搜索空间，且每一级子搜索空间的剪枝率步长小于上一级子搜索空间的剪枝率步长。
2.根据权利要求1所述的方法，其中，所述根据遮挡场景下的搜索空间，对所述人脸识别超网络模型进行剪枝搜索，得到人脸识别轻量模型，包括：
根据上一级剪枝搜索结果和当前级子搜索空间的剪枝率步长，构建当前级子搜索空间；
根据所述当前级子搜索空间，对所述人脸识别超网络模型进行剪枝搜索得到当前级剪枝结果。
3.根据权利要求2所述的方法，其中，所述上一级剪枝搜索结果包括所述人脸识别超网络模型中层结构的上一级最优剪枝率；
相应地，所述根据上一级剪枝搜索结果和当前级子搜索空间的剪枝率步长，构建当前级子搜索空间，包括：
根据所述人脸识别超网络模型中层结构的上一级最优剪枝率，和所述当前级子搜索空间的剪枝率步长，为所述层结构确定至少两个候选剪枝率，以得到所述当前级子搜索空间。
4.根据权利要求1所述的方法，其中，所述根据遮挡场景下的搜索空间，对所述人脸识别超网络模型进行剪枝搜索，得到人脸识别轻量模型，包括：
若当前级子搜索空间为第一级子搜索空间，则根据所述当前级子搜索空间的剪枝率步长，构建当前级子搜索空间；
根据所述当前级子搜索空间，对所述人脸识别超网络模型进行剪枝搜索得到当前级剪枝结果。
5.根据权利要求2或4所述的方法，其中，所述根据所述当前级子搜索空间，对所述人脸识别超网络模型进行剪枝搜索得到当前级剪枝结果，包括：
根据所述当前级子搜索空间，对所述人脸识别超网络模型进行搜索剪枝，得到候选剪枝模型；
根据所述候选剪枝模型的性能，从所述候选剪枝模型中选择所述当前级剪枝结果。
6.根据权利要求1所述的方法，其中，所述搜索空间包括第一级子搜索空间、第二级子搜索空间和第三子搜索空间。
7.根据权利要求1所述的方法，其中，所述采用遮挡样本数据，生成遮挡场景下的人脸识别超网络模型，包括：
采用遮挡样本数据，对非遮挡场景下的人脸识别模型进行训练，得到遮挡场景下的人脸识别超网络模型。
8.一种人脸识别模型处理装置，包括：
超网络训练模块，用于采用遮挡样本数据，生成遮挡场景下的人脸识别超网络模型；
模型剪枝搜索模块，用于根据遮挡场景下的搜索空间，对所述人脸识别超网络模型进行剪枝搜索，得到人脸识别轻量模型；
其中，所述搜索空间包括至少两级子搜索空间，且每一级子搜索空间的剪枝率步长小于上一级子搜索空间的剪枝率步长。
9.根据权利要求8所述的装置，其中，所述模型剪枝搜索模块包括：
第一子空间构建单元，用于根据上一级剪枝搜索结果和当前级子搜索空间的剪枝率步长，构建当前级子搜索空间；
第一空间剪枝单元，用于根据所述当前级子搜索空间，对所述人脸识别超网络模型进行剪枝搜索得到当前级剪枝结果。
10.根据权利要求9所述的装置，其中，所述上一级剪枝搜索结果包括所述人脸识别超网络模型中层结构的上一级最优剪枝率；
相应地，所述第一子空间构建单元具体用于：
根据所述人脸识别超网络模型中层结构的上一级最优剪枝率，和所述当前级子搜索空间的剪枝率步长，为所述层结构确定至少两个候选剪枝率，以得到所述当前级子搜索空间。
11.根据权利要求8所述的装置，其中，所述模型剪枝搜索模块包括：
第二子空间构建单元，用于若当前级子搜索空间为第一级子搜索空间，则根据所述当前级子搜索空间的剪枝率步长，构建当前级子搜索空间；
第二空间剪枝单元，用于根据所述当前级子搜索空间，对所述人脸识别超网络模型进行剪枝搜索得到当前级剪枝结果。
12.根据权利要求9或11所述的装置，其中，所述空间剪枝单元具体用于：
根据所述当前级子搜索空间，对所述人脸识别超网络模型进行搜索剪枝，得到候选剪枝模型；
根据所述候选剪枝模型的性能，从所述候选剪枝模型中选择所述当前级剪枝结果。
13.根据权利要求8所述的装置，其中，所述搜索空间包括第一级子搜索空间、第二级子搜索空间和第三子搜索空间。
14.根据权利要求8所述的装置，其中，所述超网络训练模块具体用于：
采用遮挡样本数据，对非遮挡场景下的人脸识别模型进行训练，得到遮挡场景下的人脸识别超网络模型。
15. 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1-7中任一项所述的方法。
16.一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1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010478538.9A CN111680598B (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 |
|---|---|---|---|
| CN202010478538.9A CN111680598B (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 |
|---|---|
| CN111680598A CN111680598A (zh) | 2020-09-18 |
| CN111680598B true CN111680598B (zh) | 2023-09-12 |
Family
ID=72453291
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010478538.9A Active CN111680598B (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) | CN111680598B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106339699A (zh) * | 2016-10-10 | 2017-01-18 | 湖南拓视觉信息技术有限公司 | 三维人脸识别方法和系统 |
| CN107330358A (zh) * | 2017-05-17 | 2017-11-07 | 广州视源电子科技股份有限公司 | 后向搜索模型集成方法及装置、存储设备和人脸识别系统 |
| CN107909065A (zh) * | 2017-12-29 | 2018-04-13 | 百度在线网络技术（北京）有限公司 | 用于检测人脸遮挡的方法及装置 |
| CN108898087A (zh) * | 2018-06-22 | 2018-11-27 | 腾讯科技（深圳）有限公司 | 人脸关键点定位模型的训练方法、装置、设备及存储介质 |
| CN109871789A (zh) * | 2019-01-30 | 2019-06-11 | 电子科技大学 | 一种基于轻量化神经网络的复杂环境下车辆检测方法 |
| CN110363137A (zh) * | 2019-07-12 | 2019-10-22 | 创新奇智(广州)科技有限公司 | 人脸检测优化模型、方法、系统及其电子设备 |
| CN110569756A (zh) * | 2019-08-26 | 2019-12-13 | 长沙理工大学 | 人脸识别模型构建方法、识别方法、设备和存储介质 |
| CN110765880A (zh) * | 2019-09-24 | 2020-02-07 | 中国矿业大学 | 一种轻量级视频行人重识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8873813B2 (en) * | 2012-09-17 | 2014-10-28 | Z Advanced Computing, Inc. | Application of Z-webs and Z-factors to analytics, search engine, learning, recognition, natural language, and other utilities |
-
2020
- 2020-05-29 CN CN202010478538.9A patent/CN111680598B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106339699A (zh) * | 2016-10-10 | 2017-01-18 | 湖南拓视觉信息技术有限公司 | 三维人脸识别方法和系统 |
| CN107330358A (zh) * | 2017-05-17 | 2017-11-07 | 广州视源电子科技股份有限公司 | 后向搜索模型集成方法及装置、存储设备和人脸识别系统 |
| CN107909065A (zh) * | 2017-12-29 | 2018-04-13 | 百度在线网络技术（北京）有限公司 | 用于检测人脸遮挡的方法及装置 |
| CN108898087A (zh) * | 2018-06-22 | 2018-11-27 | 腾讯科技（深圳）有限公司 | 人脸关键点定位模型的训练方法、装置、设备及存储介质 |
| CN109871789A (zh) * | 2019-01-30 | 2019-06-11 | 电子科技大学 | 一种基于轻量化神经网络的复杂环境下车辆检测方法 |
| CN110363137A (zh) * | 2019-07-12 | 2019-10-22 | 创新奇智(广州)科技有限公司 | 人脸检测优化模型、方法、系统及其电子设备 |
| CN110569756A (zh) * | 2019-08-26 | 2019-12-13 | 长沙理工大学 | 人脸识别模型构建方法、识别方法、设备和存储介质 |
| CN110765880A (zh) * | 2019-09-24 | 2020-02-07 | 中国矿业大学 | 一种轻量级视频行人重识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 方宝辉.基于深度学习的加速多姿态人脸识别算法的研究.中国优秀硕士学位论文全文数据库（电子期刊）.2019,I138-1399. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111680598A (zh) | 2020-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111275190B (zh) | 神经网络模型的压缩方法及装置、图像处理方法及处理器 | |
| CN111144108B (zh) | 情感倾向性分析模型的建模方法、装置和电子设备 | |
| CN111967568B (zh) | 深度学习模型的适配方法、装置及电子设备 | |
| CN113094550B (zh) | 视频检索方法、装置、设备和介质 | |
| CN111832701B (zh) | 模型的蒸馏方法、装置、电子设备及存储介质 | |
| CN111241234B (zh) | 文本分类方法及装置 | |
| CN111680517B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
| CN111680600B (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
| CN111860769A (zh) | 预训练图神经网络的方法以及装置 | |
| CN111507111B (zh) | 语义表示模型的预训练方法、装置、电子设备及存储介质 | |
| CN111950293B (zh) | 语义表示模型的生成方法、装置、电子设备及存储介质 | |
| CN112149741B (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
| CN111354370B (zh) | 一种唇形特征预测方法、装置和电子设备 | |
| CN111291729B (zh) | 一种人体姿态估计方法、装置、设备及存储介质 | |
| CN111539224B (zh) | 语义理解模型的剪枝方法、装置、电子设备和存储介质 | |
| CN111695519B (zh) | 关键点定位方法、装置、设备以及存储介质 | |
| CN111967297A (zh) | 图像的语义分割方法、装置、电子设备及介质 | |
| CN111783596B (zh) | 人脸识别模型的训练方法、装置、电子设备及存储介质 | |
| CN111680597B (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
| CN114492788A (zh) | 训练深度学习模型的方法和装置、电子设备及存储介质 | |
| CN112100466A (zh) | 生成搜索空间的方法、装置、设备及存储介质 | |
| CN111680599B (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
| CN112232089B (zh) | 语义表示模型的预训练方法、设备和存储介质 | |
| CN111783607B (zh) | 人脸识别模型的训练方法、装置、电子设备及存储介质 | |
| CN112580723B (zh) | 多模型融合方法、装置、电子设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |