CN111680599B - 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
- CN111680599B CN111680599B CN202010479865.6A CN202010479865A CN111680599B CN 111680599 B CN111680599 B CN 111680599B CN 202010479865 A CN202010479865 A CN 202010479865A CN 111680599 B CN111680599 B CN 111680599B
- Authority
- CN
- China
- Prior art keywords
- face recognition
- model
- super
- occlusion
- search space
- 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 68
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000015654 memory Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 15
- 208000006440 Open Bite Diseases 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 5
- 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
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000035945 sensitivity Effects 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
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 244000141353 Prunus domestica Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000011159 matrix material 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
- 230000008569 process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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 Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Geometry (AREA)
- Human Computer Interaction (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：采用第一遮挡样本数据，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更新所述人脸识别超网络模型；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中所有剪枝率均大于上一级子搜索空间的剪枝率。本申请能够提供适用于遮挡场景的遮挡人脸识别超网络。
Description
技术领域
本申请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。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：
采用第一遮挡样本数据，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更新所述人脸识别超网络模型；
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中所有剪枝率均大于上一级子搜索空间的剪枝率。
根据第二方面，提供了一种人脸识别模型处理装置，包括：
超网络生成模块，用于采用第一遮挡样本数据，生成遮挡场景下的人脸识别超网络模型；
超网络更新模块，用于根据遮挡场景下的搜索空间更新所述人脸识别超网络模型；
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中所有剪枝率均大于上一级子搜索空间的剪枝率。
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用于遮挡场景的遮挡人脸识别超网络。
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、采用第一遮挡样本数据，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更新所述人脸识别超网络模型。
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中所有剪枝率均大于上一级子搜索空间的剪枝率。也就是说，将搜索空间划分为至少两级子搜索空间，剪枝率越低，子搜索空间的等级越低，剪枝率越高，子搜索空间的等级越高，不同级子搜索空间的剪枝率不交叠。需要说明的是，本申请实施例对子搜索空间的等级数量不作具体限定，对子搜索空间中的剪枝率步长也不作具体限定，可选的，不同子搜索空间的剪枝率步长相同。例如，搜索空间中第一级子搜索空间的剪枝率如下：1％，2％，…,10％；第二级子搜索空间的剪枝率如下：11％，12％，…,20％；以此类推，第九级子搜索空间的裁剪率如下：91％，92％，…,99％。
具体的，基于NAS技术，利用剪枝策略从每一级子搜索空间中选择剪枝率，按照选择的剪枝率对人脸识别超网络模型执行剪枝操作，即将人脸识别超网络模型参数矩阵中，数值较小的参数置零得到剪枝结果。其中，剪枝策略定义了使用怎样的算法可以快速、准确找到最优剪枝率，例如可以为随机剪枝，进化算法或基于梯度的算法等。对每一级的剪枝结果进行训练，并将训练结果同步给人脸识别超网络模型。需要说明的是，在后剪枝操作依赖于在先剪枝操作，即在后剪枝操作是对根据在先剪枝结果更新的人脸识别超网络模型进行剪枝。通过提供至少两级子搜索空间，分别对人脸识别超网络模型进行裁剪，并根据裁剪结果更新人脸识别超网络模型，降低裁剪对人脸识别超网络模型性能的影响。因此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，通过提供包括裁剪率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，且将剪枝搜索结果中的参数同步给人脸识别超网络模型，降低剪枝对人脸识别超网络模型的性能影响。
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、采用第一遮挡样本数据，生成遮挡场景下的人脸识别超网络模型。
S220、从所述搜索空间中选择当前级子搜索空间。
其中，搜索空间中包括至少两级子搜索空间，且每一级子搜索空间中所有剪枝率均大于上一级子搜索空间的剪枝率。
在一种可选实施方式中，S220包括：按照剪枝率由低到高顺序，逐级从所述搜索空间中选择所述当前级子搜索空间。具体的，首次将最低级子搜索空间作为当前子搜索空间，在当前子搜索空间的迭代次数达到阈值时，将下一级子搜索空间作为新的当前子搜索空间，以此类推直至最高级子搜索空间。通过剪枝率由低到高逐级对人脸识别超网络模型进行剪枝，且高剪枝率的剪枝操作依赖于低剪枝率的执行结果，能够降低人脸识别网络模型对剪枝的敏感性。需要说明的是，除了逐级地确定当前级子搜索空间；也可以跳转地确定当前级子搜索空间，相应地，跳过的各级子搜索空间无需剪枝。
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子网络。
具体的，从当前级子搜索空间中剪枝率中采样剪枝率，按照采样剪枝率对人脸识别超网络模型进行剪枝得到当前级子网络。
S240、采用第二遮挡样本数据，对所述当前级子网络进行训练，并根据训练结果更新所述遮挡人脸识别超网络。
其中，第二遮挡样本数据与第一遮挡样本数据可以相同，也可以不同。第二遮挡样本数据中包括遮挡样本图像和人脸样本标签。具体的，当前级子网络的训练迭代次数达到阈值时，确定当前级子搜索空间是否为最后级子搜索空间，若否，则返回S220重新选择当前级子搜索空间；若是，则停止更新遮挡人脸识别超网络。通过逐步裁剪，一边剪枝一边在线训练裁剪结果，且将裁剪结果的参数同步给超网络模型，降低超网络模型对裁剪的敏感性。
在一种可选实施方式中，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。
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，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。
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，通过剪枝率由低到高分等级对人脸识别超网络模型进行剪枝搜索，且采用第二遮挡样本在线对剪枝结果进行训练，将剪枝结果中参数共享给遮挡人脸识别超网络，降低遮挡人脸识别超网络对剪枝的敏感性。从遮挡人脸识别超网络能够搜索得到性能足够好且足够小的模型结构，从而使得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：
超网络生成模块301，用于采用第一遮挡样本数据，生成遮挡场景下的人脸识别超网络模型；
超网络更新模块302，用于根据遮挡场景下的搜索空间更新所述人脸识别超网络模型；
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中所有剪枝率均大于上一级子搜索空间的剪枝率。
可选的，所述超网络更新模块302包括：
子空间选择单元，用于从所述搜索空间中选择当前级子搜索空间；
子网络剪枝单元，用于根据所述当前级子搜索空间，对人脸识别超网络模型进行剪枝搜索得到当前级子网络；
超网络更新单元，用于采用第二遮挡样本数据，对所述当前级子网络进行训练，并根据训练结果更新所述遮挡人脸识别超网络。
可选的，所述子空间选择单元具体用于：
按照剪枝率由低到高顺序，逐级从所述搜索空间中选择所述当前级子搜索空间。
可选的，所述装置300还包括：
模型搜索模块，用于通过模型搜索，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，所述超网络生成模块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，通过剪枝率由低到高分等级对人脸识别超网络模型进行剪枝搜索，且采用第二遮挡样本在线对剪枝结果进行训练，将剪枝结果中参数共享给遮挡人脸识别超网络，降低遮挡人脸识别超网络对剪枝的敏感性。从遮挡人脸识别超网络能够搜索得到性能足够好且足够小的模型结构，从而使得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)。图4 中以一个处理器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所示的超网络生成模块301和超网络更新模块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，图4中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 (14)
1.一种人脸识别模型处理方法，包括：
采用第一遮挡样本数据，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更新所述人脸识别超网络模型；
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中所有剪枝率均大于上一级子搜索空间的剪枝率；
其中，所述根据遮挡场景下的搜索空间更新所述人脸识别超网络模型，包括：
从所述搜索空间中选择当前级子搜索空间；
根据所述当前级子搜索空间，对人脸识别超网络模型进行剪枝搜索得到当前级子网络；
采用第二遮挡样本数据，对所述当前级子网络进行训练，并根据训练结果更新所述人脸识别超网络模型。
2.根据权利要求1所述的方法，其中，从所述搜索空间中选择当前级子搜索空间，包括：
按照剪枝率由低到高顺序，逐级从所述搜索空间中选择所述当前级子搜索空间。
3.根据权利要求1所述的方法，根据遮挡场景下的搜索空间更新所述人脸识别超网络模型之后，还包括：
通过模型搜索，根据更新后的人脸识别超网络模型，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，根据更新后的人脸识别超网络模型，确定遮挡人脸识别模型，包括：
从更新后的人脸识别超网络模型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，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，其中，所述采用第一遮挡样本数据，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。
7.一种人脸识别模型处理装置，包括：
超网络生成模块，用于采用第一遮挡样本数据，生成遮挡场景下的人脸识别超网络模型；
超网络更新模块，用于根据遮挡场景下的搜索空间更新所述人脸识别超网络模型；
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中所有剪枝率均大于上一级子搜索空间的剪枝率；
其中，所述超网络更新模块包括：
子空间选择单元，用于从所述搜索空间中选择当前级子搜索空间；
子网络剪枝单元，用于根据所述当前级子搜索空间，对人脸识别超网络模型进行剪枝搜索得到当前级子网络；
超网络更新单元，用于采用第二遮挡样本数据，对所述当前级子网络进行训练，并根据训练结果更新所述人脸识别超网络模型。
8.根据权利要求7所述的装置，其中，所述子空间选择单元具体用于：
按照剪枝率由低到高顺序，逐级从所述搜索空间中选择所述当前级子搜索空间。
9.根据权利要求7所述的装置，还包括：
模型搜索模块，用于通过模型搜索，根据更新后的人脸识别超网络模型，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，用于从更新后的人脸识别超网络模型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，其中，所述超网络生成模块具体用于：
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。
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 |
|---|---|---|---|
| CN202010479865.6A CN111680599B (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 |
|---|---|---|---|
| CN202010479865.6A CN111680599B (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 |
|---|---|
| CN111680599A CN111680599A (zh) | 2020-09-18 |
| CN111680599B true CN111680599B (zh) | 2023-08-08 |
Family
ID=72452887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010479865.6A Active CN111680599B (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) | CN111680599B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418337B (zh) * | 2020-11-27 | 2021-11-02 | 太原理工大学 | 基于脑功能超网络模型的多特征融合数据分类方法 |
| CN112528123A (zh) * | 2020-12-18 | 2021-03-19 | 北京百度网讯科技有限公司 | 模型搜索方法、装置、电子设备、存储介质和程序产品 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108875833A (zh) * | 2018-06-22 | 2018-11-23 | 北京智能管家科技有限公司 | 神经网络的训练方法、人脸识别方法及装置 |
| CN110175671A (zh) * | 2019-04-28 | 2019-08-27 | 华为技术有限公司 | 神经网络的构建方法、图像处理方法及装置 |
| CN110197258A (zh) * | 2019-05-29 | 2019-09-03 | 北京市商汤科技开发有限公司 | 神经网络搜索方法、图像处理方法及装置、设备和介质 |
| CN110399764A (zh) * | 2018-04-24 | 2019-11-01 | 华为技术有限公司 | 人脸识别方法、装置及计算机可读介质 |
| CN110490028A (zh) * | 2018-05-15 | 2019-11-22 | 成都视观天下科技有限公司 | 基于深度学习的人脸识别网络训练方法、设备及存储介质 |
| CN110502989A (zh) * | 2019-07-16 | 2019-11-26 | 山东师范大学 | 一种小样本高光谱人脸识别方法及系统 |
| CN110569969A (zh) * | 2019-09-11 | 2019-12-13 | 北京百度网讯科技有限公司 | 网络模型结构的采样方法、装置以及电子设备 |
| CN110580520A (zh) * | 2019-09-11 | 2019-12-17 | 北京百度网讯科技有限公司 | 基于超网络的模型结构采样、装置以及电子设备 |
| CN110598629A (zh) * | 2019-09-11 | 2019-12-20 | 北京百度网讯科技有限公司 | 超网络的搜索空间构建方法、装置以及电子设备 |
| CN110633797A (zh) * | 2019-09-11 | 2019-12-31 | 北京百度网讯科技有限公司 | 网络模型结构的搜索方法、装置以及电子设备 |
| CN110782016A (zh) * | 2019-10-25 | 2020-02-11 | 北京百度网讯科技有限公司 | 用于优化神经网络架构搜索的方法和装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040030741A1 (en) * | 2001-04-02 | 2004-02-12 | Wolton Richard Ernest | Method and apparatus for search, visual navigation, analysis and retrieval of information from networks with remote notification and content delivery |
| US7702599B2 (en) * | 2004-10-07 | 2010-04-20 | Bernard Widrow | System and method for cognitive memory and auto-associative neural network based pattern recognition |
| US7783135B2 (en) * | 2005-05-09 | 2010-08-24 | Like.Com | System and method for providing objectified image renderings using recognition information from images |
| US11074495B2 (en) * | 2013-02-28 | 2021-07-27 | Z Advanced Computing, Inc. (Zac) | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
| US9779331B2 (en) * | 2014-04-24 | 2017-10-03 | Conduent Business Services, Llc | Method and system for partial occlusion handling in vehicle tracking using deformable parts model |
| US10747989B2 (en) * | 2018-08-21 | 2020-08-18 | Software Ag | Systems and/or methods for accelerating facial feature vector matching with supervised machine learning |
-
2020
- 2020-05-29 CN CN202010479865.6A patent/CN111680599B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110399764A (zh) * | 2018-04-24 | 2019-11-01 | 华为技术有限公司 | 人脸识别方法、装置及计算机可读介质 |
| CN110490028A (zh) * | 2018-05-15 | 2019-11-22 | 成都视观天下科技有限公司 | 基于深度学习的人脸识别网络训练方法、设备及存储介质 |
| CN108875833A (zh) * | 2018-06-22 | 2018-11-23 | 北京智能管家科技有限公司 | 神经网络的训练方法、人脸识别方法及装置 |
| CN110175671A (zh) * | 2019-04-28 | 2019-08-27 | 华为技术有限公司 | 神经网络的构建方法、图像处理方法及装置 |
| CN110197258A (zh) * | 2019-05-29 | 2019-09-03 | 北京市商汤科技开发有限公司 | 神经网络搜索方法、图像处理方法及装置、设备和介质 |
| CN110502989A (zh) * | 2019-07-16 | 2019-11-26 | 山东师范大学 | 一种小样本高光谱人脸识别方法及系统 |
| CN110569969A (zh) * | 2019-09-11 | 2019-12-13 | 北京百度网讯科技有限公司 | 网络模型结构的采样方法、装置以及电子设备 |
| CN110580520A (zh) * | 2019-09-11 | 2019-12-17 | 北京百度网讯科技有限公司 | 基于超网络的模型结构采样、装置以及电子设备 |
| CN110598629A (zh) * | 2019-09-11 | 2019-12-20 | 北京百度网讯科技有限公司 | 超网络的搜索空间构建方法、装置以及电子设备 |
| CN110633797A (zh) * | 2019-09-11 | 2019-12-31 | 北京百度网讯科技有限公司 | 网络模型结构的搜索方法、装置以及电子设备 |
| CN110782016A (zh) * | 2019-10-25 | 2020-02-11 | 北京百度网讯科技有限公司 | 用于优化神经网络架构搜索的方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| Wang Q. ; Wu T. ; Zheng H. ; Guo G..Hierarchical pyramid diverse attention networks for face recognition.《Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition》.2020,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111680599A (zh) | 2020-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111582453B (zh) | 生成神经网络模型的方法和装置 | |
| US11899710B2 (en) | Image recognition method, electronic device and storage medium | |
| KR102528748B1 (ko) | 지식 그래프를 구축하는 방법, 장치, 기기 및 저장 매체 | |
| CN112001180A (zh) | 多模态预训练模型获取方法、装置、电子设备及存储介质 | |
| CN111144108B (zh) | 情感倾向性分析模型的建模方法、装置和电子设备 | |
| 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 | |
| CN110795569B (zh) | 知识图谱的向量表示生成方法、装置及设备 | |
| CN112102448B (zh) | 虚拟对象图像显示方法、装置、电子设备和存储介质 | |
| 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 | |
| CN111461343B (zh) | 模型参数更新方法及其相关设备 | |
| CN111241234B (zh) | 文本分类方法及装置 | |
| CN111582375A (zh) | 数据增强策略搜索方法、装置、设备以及存储介质 | |
| CN111539224B (zh) | 语义理解模型的剪枝方法、装置、电子设备和存储介质 | |
| CN111639753B (zh) | 用于训练图像处理超网络的方法、装置、设备以及存储介质 | |
| CN111695519B (zh) | 关键点定位方法、装置、设备以及存储介质 | |
| CN111967569A (zh) | 神经网络结构的生成方法、装置、存储介质及电子设备 | |
| CN111680599B (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
| CN111680597B (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
| CN111652354B (zh) | 用于训练超网络的方法、装置、设备以及存储介质 | |
| CN111340219A (zh) | 神经网络模型搜索方法及装置、图像处理方法及处理器 | |
| CN111177339A (zh) | 对话生成方法、装置、电子设备及存储介质 | |
| CN111931520A (zh) | 自然语言处理模型的训练方法和装置 | |
| CN111090991A (zh) | 场景纠错方法、装置、电子设备和存储介质 | |
| CN111967591A (zh) | 神经网络自动剪枝方法、装置及电子设备 |
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 |