CN112101172A - 基于权重嫁接的模型融合的人脸识别方法及相关设备 - Google Patents
基于权重嫁接的模型融合的人脸识别方法及相关设备 Download PDFInfo
- Publication number
- CN112101172A CN112101172A CN202010937265.XA CN202010937265A CN112101172A CN 112101172 A CN112101172 A CN 112101172A CN 202010937265 A CN202010937265 A CN 202010937265A CN 112101172 A CN112101172 A CN 112101172A
- Authority
- CN
- China
- Prior art keywords
- model
- fusion
- face recognition
- weight
- training
- 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.)
- Granted
Links
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
- G06V40/168—Feature extraction; Face representation
-
- 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
-
- 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
- G06V40/172—Classification, e.g. identification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本申请实施例属于人工智能领域,应用于智慧安防的身份识别领域中,涉及一种基于权重嫁接的模型融合的人脸识别方法,包括训练N个相同结构的人脸识别模型,选择其中一个人脸识别模型作为待融合模型并进行微调,微调后对所有的人脸识别模型进行一个训练周期的训练,计算训练后各模型中的每个参数的融合系数,根据融合系数确定每个参数的融合权重,基于所有参数的融合权重更新待融合模型的参数,得到融合模型,通过融合模型对接收到的人脸图像进行人脸识别。本申请还提供一种基于权重嫁接的模型融合的人脸识别装置、计算机设备及存储介质。本申请采用权重嫁接的方式对多个人脸识别模型进行融合,可以提高融合模型识别精度的同时提高模型的执行效率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于权重嫁接的模型融合的人脸识别方法及相关设备。
背景技术
随着人脸识别技术在金融加密解锁领域、安检领域、家居安保领域等安全领域的应用,用户对人脸识别的精确度要求也再不断提高。目前,提高人脸识别精确度的方法是出于人脸识别的不同模型的识别特征不同,将不同模型进行融合得到人脸识别的融合模型。但是,现有的模型融合方法是将多个模型的输出进行组合、排列或者投票等方式得出最终输出,这样做会整体提高模型精度,但是同样引入了需要多次独立的前向的问题,影响模型的执行效率。
此外,深度卷积神经网络(Deep Convolution Neural Network,DCNN)中包含对输出影响较小甚至无效的权重,这些权重在整个模型中起到的正反馈微乎其微。对影响因子较小的权重,现有的做法是通过一些剪枝的策略将这些无效的权重剪除掉,去除该权重对最终结果的影响。剪枝的方法会删除一些权重、特征层等,这样做的好处是删除了权重之后,模型的参数量变少,执行速度变快,但是模型的精度会有一定的下降。
发明内容
本申请实施例的目的在于提出一种基于权重嫁接的模型融合的人脸识别方法及相关设备,以解决相关技术中生成的融合模型执行效率低以及识别精度下降的问题。
为了解决上述技术问题,本申请实施例提供一种基于权重嫁接的模型融合的人脸识别方法,采用了如下所述的技术方案:
分别训练N个相同结构的人脸识别模型,其中,N为正整数;
选择其中一个人脸识别模型作为待融合模型并进行微调,微调后对所有的人脸识别模型进行一个训练周期的训练;
计算训练后各人脸识别模型中的每个参数的融合系数;及
根据所述融合系数确定每个参数的融合权重,基于所有参数的所述融合权重更新所述待融合模型的参数,以得到融合模型;
通过所述融合模型对接收到的人脸图像进行人脸识别。
进一步的,所述计算训练后各人脸识别模型中的每个参数的融合系数的步骤具体包括:
计算出训练后的所述各人脸识别模型中每个参数的权重熵;
根据所述权重熵计算出对应参数的融合系数。
进一步的,所述计算出训练后的所述各人脸识别模型中每个参数的权重熵的步骤具体包括:
将训练后的各人脸识别模型中每个参数对应的权重值,按照大小等分为不同的值域;
计算每个值域对应的权重值概率;
根据所述概率计算出每个人脸识别模型中每个参数对应的权重熵。
进一步的,所述根据所述融合系数确定每个参数的融合权重的步骤具体包括:
将所有模型中同一个目标参数的权重熵通过融合系数进行加权合并,得到所述目标参数在所述融合模型中的融合权重。
进一步的,在所述基于所有参数的所述融合权重更新所述待融合模型的参数,以得到融合模型的步骤之后还包括:
使用预设学习率对所述融合模型进行微调。
进一步的,在所述基于所有参数的所述融合权重更新所述待融合模型的参数,以得到融合模型的步骤之后还包括:
判断所述融合模型是否收敛;
若是,将更新的模型参数作为所述融合模型的最终参数;
若否,则继续下一个训练周期,直至所述融合模型收敛。
进一步的,在所述分别训练N个相同结构的人脸识别模型的步骤之前还包括:
构建N个相同结构人脸识别模型,所述人脸识别模型包括特征提取层、全连接层以及损失函数层;
所述分别训练N个相同结构的人脸识别模型的步骤包括:
针对每一个人脸识别模型,采用所述特征提取层提取输入人脸样本数据的人脸特征;
通过所述全连接层将所述人脸特征进行综合以及属性分析,并输出特征表示以及分类结果;
基于损失函数计算所述损失函数层的特征提取损失值和属性损失值,将所述特征提取损失值和属性损失值进行加权求和得到目标损失值;
根据所述目标损失值判断所述人脸识别模型是否训练结束。
为了解决上述技术问题,本申请实施例还提供一种基于权重嫁接的模型融合的人脸识别装置,采用了如下所述的技术方案:
训练模块,用于分别训练N个相同结构的人脸识别模型,其中,N为正整数;
微调模块,用于选择其中一个人脸识别模型作为待融合模型并进行微调;
训练模块,还用于微调后对所有的人脸识别模型进行一个训练周期的训练;
计算模块,用于计算训练后各模型中的每个参数的融合系数;及
更新模块,用于根据所述融合系数确定每个参数的融合权重,基于所有参数的所述融合权重更新所述待融合模型的参数,以得到融合模型;
识别模块,用于通过所述融合模型对接收到的人脸图像进行人脸识别。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
该计算机设备包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上所述的基于权重嫁接的模型融合的人脸识别方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上所述的基于权重嫁接的模型融合的人脸识别方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请通过分别训练N个相同结构的人脸识别模型,选择其中一个人脸识别模型作为待融合模型并进行微调,微调后对所有的人脸识别模型进行一个训练周期的训练,计算训练后各模型中的每个参数的融合系数,根据融合系数确定每个参数的融合权重,基于所有参数的融合权重更新待融合模型的参数,以得到融合模型,最后通过融合模型对接收到的人脸图像进行人脸识别;本申请采用权重嫁接的方式对多个人脸识别模型进行融合,并根据每个模型中的每个参数对应的权重进行加权合并得到融合模型的融合权重,使得信息量较高的权重对融合权重影响较大,信息量小的权重对融合权重影响较小,提高融合模型的识别精度的同时提高模型的执行效率。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2根据本申请的基于权重嫁接的模型融合的人脸识别方法的一个实施例的流程图;
图3是图2中步骤S203的一种具体实施方式的流程图;
图4是根据本申请的基于权重嫁接的模型融合的人脸识别装置的一个实施例的结构示意图;
图5是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
为了解决相关技术中生成的融合模型执行效率低以及识别精度下降的问题,本申请提供了基于权重嫁接的模型融合的人脸识别方法,涉及人工智能人脸识别,可以应用于如图1所示的系统架构100中,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于权重嫁接的模型融合的人脸识别方法一般由服务器/终端设备执行,相应地基于权重嫁接的模型融合的人脸识别装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的基于权重嫁接的模型融合的人脸识别方法的一个实施例的流程图。所述的基于权重嫁接的模型融合的人脸识别方法,包括以下步骤:
步骤S201,分别训练N个相同结构的人脸识别模型。
在本实施例中,训练的N个人脸识别模型的模型结构是相同的,其中,N为正整数,每个模型的参数数量也是一致的,但是,每个参数在不同模型中的权重数值分布不相同,每个模型的超参数和初始化也不相同。
在训练之前,要创建人脸识别模型,模型创建之初,就对每个参数在不同模型中的权重数值进行设置,同时,设置每个模型的超参数和初始化方法。
在本实施例的一种可选方式中,人脸识别模型包括:特征提取层、全连接层以及损失函数层;
特征提取层,用于提取输入人脸样本数据的人脸特征;
全连接层包括第一特征输出层、第二特征输出层和至少一个属性输出层,第一特征输出层和第二特征输出层用于输出人脸特征,属性输出层用于输出对应的人脸属性的分类结果,特征提取层的输出经过第一特征输出层之后分别与第二特征输出层和属性输出层的输入相连接;
损失函数层,包括特征提取损失函数层和至少一个属性损失函数层,第二特征输出层的输出与特征提取损失函数层的输入相连接,属性输出层的输出与所对应的属性损失函数层的输入相连接。损失函数层的损失函数用于度量构建模型得到的预测值与真实值之间的差距,即度量模型一次预测的好坏。
采用特征提取层提取输入人脸样本数据的人脸特征;
通过全连接层将人脸特征进行综合以及属性分析,并输出特征表示以及分类结果;
基于损失函数计算所述损失函数层的特征提取损失值和属性损失值,将所述特征提取损失值和属性损失值进行加权求和得到目标损失值,目标损失值用于判断所述人脸识别模型是否训练结束。
分别训练N个相同结构的人脸识别模型的步骤包括:
针对每一个人脸识别模型,采用特征提取层提取输入人脸样本数据的人脸特征;
通过全连接层将人脸特征进行综合以及属性分析,并输出特征表示以及分类结果;
基于损失函数计算所述损失函数层的特征提取损失值和属性损失值,将特征提取损失值和属性损失值进行加权求和得到目标损失值;
根据目标损失值判断人脸识别模型是否训练结束。
具体地,第一特征输出层将特征提取层提取的人脸特征进行综合,输出人脸样本数据的特征表示,而属性输出层根据第一特征输出层输出的人脸特征对人脸样本数据的属性进行分类,输出分类结果。在训练时,特征提取和属性分析的损失函数同时训练,第二特征输出层将第一特征输出层输出的图像特征输入到特征提取损失函数层,各个属性输出层将图像特征输出到对应的属性损失函数层。由于训练时会有多个损失函数,且每个损失函数有对应的权重,这样多个损失函数相互影响,有利于训练出更好的模型参数。判断目标损失值是否小于预设阈值,若是,则说明模型训练结束。
需要说明的是,在本实施例中的人脸识别模型可以为卷积神经网络模型,则特征提取层包括输入层、卷积层和池化层。
步骤S202,选择其中一个人脸识别模型作为待融合模型并进行微调,微调后对所有的人脸识别模型进行一个训练周期的训练。
在本实施例中,训练了N个相同结构的人脸识别模型,分别用m0,m1,m2,……,mN-1表示,选择其中一个人脸识别模型作为待融合模型,例如,可以选择人脸识别模型m0作为待融合模型,并对其进行微调(finetune),具体的,冻结待融合模型靠近输入的多数卷积层的参数,只训练剩下的卷积层和全连接层的参数。对待融合模型进行微调后,将所有的模型进行一个完整训练周期的训练。
需要说明的是,训练构建的人脸识别模型和微调后再训练,两次训练可以使用同一个人脸样本数据,也可以使用不同的人脸样本数据。
步骤S203,计算训练后各模型中的每个参数的融合系数。
在本实施例一种可选的实现方式中,在每个训练周期结束后,要计算出各人脸识别模型中每个参数的权重熵,再根据权重熵计算出对应参数的融合参数。
具体地,计算出各人脸识别模型中每个参数的权重熵参见如下步骤:
步骤S301,将各模型中每个参数对应的权重值按照大小等分为不同的值域;
步骤S302,计算每个值域对应的权重值概率;
步骤S303,根据所述概率计算出每个模型中每个参数对应的权重熵。
在步骤S301中,将每个参数在不同人脸识别模型中的权重值按照值的大小等分为n个不同的值域,以两个人脸识别模型为例进行说明,假设每个个人脸识别模型有十个参数x0,x1,……,x9,模型1中每个参数对应的权重值分别为0.1,0.05,0.2,0.15,0.25,0.075,0.055,0.02,0.07,0.03,模型2中每个参数对应的权重值分别为0.01,0.36,0.13,0.035,0.075,0.09,0.1,0.08,0.07,0.05,将上述权重值等分为5个不同值域,第一值域到第五值域分别为0.01~0.08,0.08~0.15,0.15~0.22,0.22~0.29,0.29~0.36。
在步骤S302中,计算每个值域对应的权重值概率,概率为每个值域包含的参数个数与参数总数的比值。依旧以上述例子进行说明,两个模型共20个参数,有12个参数的权重值在第一值域范围内,因此,第一值域的概率为以此类推,第二值域的概率为第三值域的概率为第四值域的概率为第五值域的概率为
需要说明的是,若某一参数的权重值属于值域的分界点,将该参数归属至前一个值域。
在步骤S303中,计算出每个值域范围对应的权重值概率pk后,根据获得的概率计算每个参数的权重熵,权重熵采用如下公式进行计算:
其中,n为值域的个数,pk表示分布在第k个值域的权重值的概率。应当理解,权重对应的H(wi)越小,表示该权重的变化越小,其对应的信息就越少。
在本实施例中,计算出每个参数在不同人脸识别模型中的权重熵后,进一步确定每个参数在不同人脸识别模型中的融合系数,融合系数的计算公式如下:
步骤S204,根据融合系数确定每个参数的融合权重,对待融合模型更新模型参数得到融合模型。
在本实施例中,将N个人脸识别模型融合到人脸识别模型m0中,计算融合之后的模型参数,具体的,将所有模型中同一个目标参数的权重熵通过融合系数进行加权合并,得到该目标参数在融合模型中的融合权重,采用如下的计算公式:
其中,Wi m′为融合模型中参数i对应的权重。
在本实施例中,采用权重嫁接的方式将多个人脸识别模型进行融合,根据每个参数在不同模型中对应的权重熵进行权重的加权合并,使得权重熵高对应信息量高的权重对融合权重影响较大,权重熵低对应信息量小的权重对融合权重影响较小,避免了相关技术中将影响因子较小的权重剪除掉的做法,提升了融合模型的识别精确度,也保证了融合模型的鲁棒性。
在本实施例的一种可选方式中,在对待融合模型更新模型参数得到融合模型后,进一步使用预设学习率对融合模型进行微调,调整人脸识别模型的每层权重。
微调是把网络结构的一部分修改成自己需要的模型,以卷积神经网络VGG16为示例进行说明。VGG16网络的结构为卷积层和全连接层。卷积层分为5个部分共13层,还有3层fc6、fc7、fc8是全连接层。如果要将VGG16的结构用于一个新的数据集,首先要去掉fc8这一层。原因是fc8层的输入是fc7的特征,输出是1000类的概率,这1000类正好对应了ImageNet模型中的1000个类别。在自己需要的数据集中,类别数一般不是1000类,因此fc8层的结构在此时是不适用的,必须将fc8层去掉,重新采用符合数据集类别数的全连接层,作为新的fc8,比如数据集为5类,那么新的fc8的输出也应当是5类。同理,在本实施例中,可以根据需要修改融合模型的部分参数。
应当理解,学习率(Learning rate)作为监督学习以及深度学习中重要的超参,控制着模型的学习进度,合适的学习率能够使模型在合适的时间内收敛。在本实施例中,使用较小的学习率对融合模型进行微调获得需要的模型,解决了因为数据隔离的多模型融合训练的问题。
在本实施例的一种可选方式中,在步骤S204之后,还包括判断所述融合模型是否收敛,若是,将更新的模型参数作为融合模型的最终参数;若否,则继续下一个训练周期的训练,直至融合模型收敛。
判断融合模型是否处于收敛状态的方式可以是判断模型更新的次数是否达到预设次数,若达到预设次数,则确定融合模型处于收敛状态;还可以是判断训练时长会否大于预设时长,若大于预设时长,则确定融合模型处于收敛状态。其中,预设次数以及预设时长都可以根据需要进行设置。融合模型收敛后,将待识别的人脸图像输入到融合模型中进行人脸图像识别。
下一个训练周期的训练继续重复步骤S202~步骤S204,具体的,对待融合模型进行再次微调,微调后对所有的人脸识别模型进行一个训练周期的训练,计算训练后各人脸识别模型中的每个参数的融合系数,根据融合系数确定每个参数的融合权重,基于所有参数的融合权重更新待融合模型的参数,以得到融合模型。
需要强调的是,为进一步保证上述待识别人脸图像信息的私密和安全性,上述待识别人脸图像信息还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请通过分别训练N个相同结构的人脸识别模型,选择其中一个人脸识别模型作为待融合模型并进行微调,微调后对所有的人脸识别模型进行一个训练周期的训练,计算训练后各模型中的每个参数的融合系数,根据融合系数确定每个参数的融合权重,基于所有参数的融合权重更新待融合模型的参数,以得到融合模型,最后通过融合模型对接收到的人脸图像进行人脸识别;本申请采用权重嫁接的方式对多个人脸识别模型进行融合,并根据每个模型中的每个参数对应的权重进行加权合并得到融合模型的融合权重,使得信息量较高的权重对融合权重影响较大,信息量小的权重对融合权重影响较小,提高融合模型的识别精度的同时提高模型的执行效率。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本申请可应用于智慧安防的身份识别领域中,从而推动智慧城市的建设。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图4,作为对上述图2所示方法的实现,本申请提供了一种基于权重嫁接的模型融合的人脸识别装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例所述的基于权重嫁接的模型融合的人脸识别装置包括:训练模块401、微调模块402、计算模块403、更新模块404以及识别模块405。其中:
训练模块401用于分别训练N个相同结构的人脸识别模型,其中,N为正整数;
微调模块402用于选择其中一个人脸识别模型m0作为待融合模型并进行微调;
训练模块401还用于微调后对所有的人脸识别模型进行一个训练周期的训练;
计算模块403用于计算训练后各模型中的每个参数的融合系数;
更新模块404用于根据所述融合系数确定每个参数的融合权重,基于所有参数的所述融合权重更新所述待融合模型的参数,以得到融合模型;
识别模块405用于通过所述融合模型对接收到的人脸图像进行人脸识别。
在本实施例中,计算模块403包括权重熵计算子模块和融合系数计算子模块,权重熵计算子模块用于计算出训练后的所述各人脸识别模型中每个参数的权重熵;融合系数计算子模块用于根据所述权重熵计算出对应参数的融合系数。
在本实施例的一些可选的实现方式中,权重熵计算子模块包括划分单元、计算单元,划分单元用于将训练后的各人脸识别模型中每个参数对应的权重值,按照大小等分为不同的值域;计算单元用于计算每个值域对应的权重值概率,根据所述概率计算出每个人脸识别模型中每个参数对应的权重熵。
在本实施例的一些可选的实现方式中,融合系数计算子模块进一步用于将所有模型中同一个目标参数的权重熵通过融合系数进行加权合并,得到所述目标参数在所述融合模型中的融合权重。
在本实施例的一些可选的实现方式中,微调模块402还用于基于所有参数的所述融合权重更新所述待融合模型的参数,以得到融合模型的步骤之后,使用预设学习率对所述融合模型进行微调。
在本实施例的一些可选的实现方式中,基于权重嫁接的模型融合的人脸识别装置还包括判断模块,判断模块用于判断所述融合模型是否收敛;若是,将更新的模型参数作为所述融合模型的最终参数;若否,则继续下一个训练周期的训练,直至所述融合模型收敛。
在本实施例的一些可选的实现方式中,基于权重嫁接的模型融合的人脸识别装置还包括创建模块,创建模块用于在分别训练N个相同结构的人脸识别模型的步骤之前,构建N个相同结构人脸识别模型,所述人脸识别模型包括特征提取层、全连接层以及损失函数层;
进一步的,训练模块401具体用于:
采用所述特征提取层提取输入人脸样本数据的人脸特征;
通过所述全连接层将所述人脸特征进行综合以及属性分析,并输出特征表示以及分类结果;
基于损失函数计算所述损失函数层的特征提取损失值和属性损失值,将所述特征提取损失值和属性损失值进行加权求和得到目标损失值,所述目标损失值用于判断所述人脸识别模型是否训练结束。
上述基于权重嫁接的模型融合的人脸识别装置,通过分别训练N个相同结构的人脸识别模型,选择其中一个人脸识别模型作为待融合模型并进行微调,微调后对所有的人脸识别模型进行一个训练周期的训练,计算训练后各模型中的每个参数的融合系数,根据融合系数确定每个参数的融合权重,基于所有参数的所述融合权重更新所述待融合模型的参数,以得到融合模型,最后通过融合模型对接收到的人脸图像进行人脸识别;本申请采用权重嫁接的方式对多个人脸识别模型进行融合,并根据每个模型中的每个参数对应的权重进行加权合并得到融合模型的融合权重,使得信息量较高的权重对融合权重影响较大,信息量小的权重对融合权重影响较小,提高融合模型的识别精度的同时提高模型的执行效率。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图5,图5为本实施例计算机设备基本结构框图。
所述计算机设备5包括通过系统总线相互通信连接存储器51、处理器52、网络接口53。需要指出的是,图中仅示出了具有组件51-53的计算机设备5,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器51至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器51可以是所述计算机设备5的内部存储单元,例如该计算机设备5的硬盘或内存。在另一些实施例中,所述存储器51也可以是所述计算机设备5的外部存储设备,例如该计算机设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括其外部存储设备。本实施例中,所述存储器51通常用于存储安装于所述计算机设备5的操作系统和各类应用软件,例如基于权重嫁接的模型融合的人脸识别方法的计算机可读指令等。此外,所述存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器52在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制所述计算机设备5的总体操作。本实施例中,所述处理器52用于运行所述存储器51中存储的计算机可读指令或者处理数据,例如运行所述基于权重嫁接的模型融合的人脸识别方法的计算机可读指令。
所述网络接口53可包括无线网络接口或有线网络接口,该网络接口53通常用于在所述计算机设备5与其他电子设备之间建立通信连接。
本实施例通过处理器执行在存储器的计算机可读指令时实现如上述实施例基于权重嫁接的模型融合的人脸识别方法的步骤,采用权重嫁接的方式对多个人脸识别模型进行融合,并根据每个模型中的每个参数对应的权重进行加权合并得到融合模型的融合权重,使得信息量较高的权重对融合权重影响较大,信息量小的权重对融合权重影响较小,提高融合模型的识别精度的同时提高模型的执行效率。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于权重嫁接的模型融合的人脸识别方法的步骤,提高融合模型的识别精度的同时提高模型的执行效率。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于权重嫁接的模型融合的人脸识别方法,其特征在于,包括下述步骤:
分别训练N个相同结构的人脸识别模型,其中,N为正整数;
选择其中一个人脸识别模型作为待融合模型并进行微调,微调后对所有的人脸识别模型进行一个训练周期的训练;
计算训练后各人脸识别模型中的每个参数的融合系数;及
根据所述融合系数确定每个参数的融合权重,基于所有参数的所述融合权重更新所述待融合模型的参数,以得到融合模型;
通过所述融合模型对接收到的人脸图像进行人脸识别。
2.根据权利要求1所述的基于权重嫁接的模型融合的人脸识别方法,其特征在于,所述计算训练后各人脸识别模型中的每个参数的融合系数的步骤具体包括:
计算出训练后的所述各人脸识别模型中每个参数的权重熵;
根据所述权重熵计算出对应参数的融合系数。
3.根据权利要求2所述的基于权重嫁接的模型融合的人脸识别方法,其特征在于,所述计算出训练后的所述各人脸识别模型中每个参数的权重熵的步骤具体包括:
将训练后的各人脸识别模型中每个参数对应的权重值,按照大小等分为不同的值域;
计算每个值域对应的权重值概率;
根据所述概率计算出每个人脸识别模型中每个参数对应的权重熵。
4.根据权利要求3所述的基于权重嫁接的模型融合的人脸识别方法,其特征在于,所述根据所述融合系数确定每个参数的融合权重的步骤具体包括:
将所有模型中同一个目标参数的权重熵通过融合系数进行加权合并,得到所述目标参数在所述融合模型中的融合权重。
5.根据权利要求1-4任一项所述的基于权重嫁接的模型融合的人脸识别方法,其特征在于,在所述基于所有参数的所述融合权重更新所述待融合模型的参数,以得到融合模型的步骤之后还包括:
使用预设学习率对所述融合模型进行微调。
6.根据权利要求1-4任一项所述的基于权重嫁接的模型融合的人脸识别方法,其特征在于,在所述基于所有参数的所述融合权重更新所述待融合模型的参数,以得到融合模型的步骤之后还包括:
判断所述融合模型是否收敛;
若是,将更新的模型参数作为所述融合模型的最终参数;
若否,则继续下一个训练周期的训练,直至所述融合模型收敛。
7.根据权利要求1-4任一项所述的基于权重嫁接的模型融合的人脸识别方法,其特征在于,在所述分别训练N个相同结构的人脸识别模型的步骤之前还包括:
构建N个相同结构人脸识别模型,所述人脸识别模型包括特征提取层、全连接层以及损失函数层;
所述分别训练N个相同结构的人脸识别模型的步骤包括:
针对每一个人脸识别模型,采用所述特征提取层提取输入人脸样本数据的人脸特征;
通过所述全连接层将所述人脸特征进行综合以及属性分析,并输出特征表示以及分类结果;
基于损失函数计算所述损失函数层的特征提取损失值和属性损失值,将所述特征提取损失值和属性损失值进行加权求和得到目标损失值;
根据所述目标损失值判断所述人脸识别模型是否训练结束。
8.一种基于权重嫁接的模型融合的人脸识别装置,其特征在于,包括:
训练模块,用于分别训练N个相同结构的人脸识别模型,其中,N为正整数;
微调模块,用于选择其中一个人脸识别模型作为待融合模型并进行微调;
训练模块,还用于微调后对所有的人脸识别模型进行一个训练周期的训练;
计算模块,用于计算训练后各模型中的每个参数的融合系数;及
更新模块,用于根据所述融合系数确定每个参数的融合权重,基于所有参数的所述融合权重更新所述待融合模型的参数,以得到融合模型;
识别模块,用于通过所述融合模型对接收到的人脸图像进行人脸识别。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于权重嫁接的模型融合的人脸识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于权重嫁接的模型融合的人脸识别方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010937265.XA CN112101172B (zh) | 2020-09-08 | 2020-09-08 | 基于权重嫁接的模型融合的人脸识别方法及相关设备 |
PCT/CN2020/135621 WO2021155713A1 (zh) | 2020-09-08 | 2020-12-11 | 基于权重嫁接的模型融合的人脸识别方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010937265.XA CN112101172B (zh) | 2020-09-08 | 2020-09-08 | 基于权重嫁接的模型融合的人脸识别方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101172A true CN112101172A (zh) | 2020-12-18 |
CN112101172B CN112101172B (zh) | 2023-09-08 |
Family
ID=73752522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010937265.XA Active CN112101172B (zh) | 2020-09-08 | 2020-09-08 | 基于权重嫁接的模型融合的人脸识别方法及相关设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112101172B (zh) |
WO (1) | WO2021155713A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598085B (zh) * | 2021-03-02 | 2021-07-30 | 聚时科技(江苏)有限公司 | 支持混合模型融合的Model Ensemble方法 |
CN113435588A (zh) * | 2021-08-26 | 2021-09-24 | 之江实验室 | 基于深度卷积神经网络bn层尺度系数的卷积核嫁接方法 |
CN113706390A (zh) * | 2021-10-29 | 2021-11-26 | 苏州浪潮智能科技有限公司 | 图像转换模型训练方法和图像转换方法、设备及介质 |
WO2022166797A1 (zh) * | 2021-02-02 | 2022-08-11 | 百果园技术(新加坡)有限公司 | 图像生成模型的训练方法、生成方法、装置及设备 |
CN115761850A (zh) * | 2022-11-16 | 2023-03-07 | 智慧眼科技股份有限公司 | 人脸识别模型训练方法、人脸识别方法、装置及存储介质 |
WO2023121563A3 (en) * | 2021-12-24 | 2023-08-03 | Grabtaxi Holdings Pte. Ltd. | Method and system for precision face lookup and identification using multilayer ensembles |
CN117388374A (zh) * | 2023-12-13 | 2024-01-12 | 南京建正建设工程质量检测有限责任公司 | 一种建筑用混凝土的强度检测方法及系统 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657486B (zh) * | 2021-08-16 | 2023-11-07 | 浙江新再灵科技股份有限公司 | 基于电梯图片数据的多标签多属性分类模型建立方法 |
CN113642491A (zh) * | 2021-08-20 | 2021-11-12 | 北京百度网讯科技有限公司 | 人脸融合方法、人脸融合模型的训练方法及装置 |
CN113688789B (zh) * | 2021-09-17 | 2023-11-10 | 华中师范大学 | 一种基于深度学习的在线学习投入度识别方法及系统 |
CN115564043B (zh) * | 2022-10-18 | 2023-10-27 | 上海计算机软件技术开发中心 | 一种图像分类模型剪枝方法、装置、电子设备及存储介质 |
CN116824659A (zh) * | 2023-05-08 | 2023-09-29 | 国网黑龙江省电力有限公司佳木斯供电公司 | 一种基于特征提取的智能机柜人脸识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170132528A1 (en) * | 2015-11-06 | 2017-05-11 | Microsoft Technology Licensing, Llc | Joint model training |
CN107045618A (zh) * | 2016-02-05 | 2017-08-15 | 北京陌上花科技有限公司 | 一种人脸表情识别方法及装置 |
CN108446650A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 用于识别人脸的方法和装置 |
CN109472211A (zh) * | 2018-10-16 | 2019-03-15 | 深圳爱莫科技有限公司 | 人脸识别方法及装置 |
CN109934197A (zh) * | 2019-03-21 | 2019-06-25 | 深圳力维智联技术有限公司 | 人脸识别模型的训练方法、装置和计算机可读存储介质 |
WO2019119505A1 (zh) * | 2017-12-18 | 2019-06-27 | 深圳云天励飞技术有限公司 | 人脸识别的方法和装置、计算机装置及存储介质 |
CN110084216A (zh) * | 2019-05-06 | 2019-08-02 | 苏州科达科技股份有限公司 | 人脸识别模型训练和人脸识别方法、系统、设备及介质 |
CN110598840A (zh) * | 2018-06-13 | 2019-12-20 | 富士通株式会社 | 知识迁移方法、信息处理设备以及存储介质 |
CN110705600A (zh) * | 2019-09-06 | 2020-01-17 | 西安交通大学 | 一种基于互相关熵的多深度学习模型融合方法、终端设备及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472360B (zh) * | 2018-10-30 | 2020-09-04 | 北京地平线机器人技术研发有限公司 | 神经网络的更新方法、更新装置和电子设备 |
-
2020
- 2020-09-08 CN CN202010937265.XA patent/CN112101172B/zh active Active
- 2020-12-11 WO PCT/CN2020/135621 patent/WO2021155713A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170132528A1 (en) * | 2015-11-06 | 2017-05-11 | Microsoft Technology Licensing, Llc | Joint model training |
CN107045618A (zh) * | 2016-02-05 | 2017-08-15 | 北京陌上花科技有限公司 | 一种人脸表情识别方法及装置 |
WO2019119505A1 (zh) * | 2017-12-18 | 2019-06-27 | 深圳云天励飞技术有限公司 | 人脸识别的方法和装置、计算机装置及存储介质 |
CN108446650A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 用于识别人脸的方法和装置 |
CN110598840A (zh) * | 2018-06-13 | 2019-12-20 | 富士通株式会社 | 知识迁移方法、信息处理设备以及存储介质 |
CN109472211A (zh) * | 2018-10-16 | 2019-03-15 | 深圳爱莫科技有限公司 | 人脸识别方法及装置 |
CN109934197A (zh) * | 2019-03-21 | 2019-06-25 | 深圳力维智联技术有限公司 | 人脸识别模型的训练方法、装置和计算机可读存储介质 |
CN110084216A (zh) * | 2019-05-06 | 2019-08-02 | 苏州科达科技股份有限公司 | 人脸识别模型训练和人脸识别方法、系统、设备及介质 |
CN110705600A (zh) * | 2019-09-06 | 2020-01-17 | 西安交通大学 | 一种基于互相关熵的多深度学习模型融合方法、终端设备及可读存储介质 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022166797A1 (zh) * | 2021-02-02 | 2022-08-11 | 百果园技术(新加坡)有限公司 | 图像生成模型的训练方法、生成方法、装置及设备 |
CN112598085B (zh) * | 2021-03-02 | 2021-07-30 | 聚时科技(江苏)有限公司 | 支持混合模型融合的Model Ensemble方法 |
CN113435588A (zh) * | 2021-08-26 | 2021-09-24 | 之江实验室 | 基于深度卷积神经网络bn层尺度系数的卷积核嫁接方法 |
CN113435588B (zh) * | 2021-08-26 | 2022-01-04 | 之江实验室 | 基于深度卷积神经网络bn层尺度系数的卷积核嫁接方法 |
CN113706390A (zh) * | 2021-10-29 | 2021-11-26 | 苏州浪潮智能科技有限公司 | 图像转换模型训练方法和图像转换方法、设备及介质 |
WO2023121563A3 (en) * | 2021-12-24 | 2023-08-03 | Grabtaxi Holdings Pte. Ltd. | Method and system for precision face lookup and identification using multilayer ensembles |
CN115761850A (zh) * | 2022-11-16 | 2023-03-07 | 智慧眼科技股份有限公司 | 人脸识别模型训练方法、人脸识别方法、装置及存储介质 |
CN115761850B (zh) * | 2022-11-16 | 2024-03-22 | 智慧眼科技股份有限公司 | 人脸识别模型训练方法、人脸识别方法、装置及存储介质 |
CN117388374A (zh) * | 2023-12-13 | 2024-01-12 | 南京建正建设工程质量检测有限责任公司 | 一种建筑用混凝土的强度检测方法及系统 |
CN117388374B (zh) * | 2023-12-13 | 2024-02-20 | 南京建正建设工程质量检测有限责任公司 | 一种建筑用混凝土的强度检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021155713A1 (zh) | 2021-08-12 |
CN112101172B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101172B (zh) | 基于权重嫁接的模型融合的人脸识别方法及相关设备 | |
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN112766649B (zh) | 基于多评分卡融合的目标对象评价方法及其相关设备 | |
CN111831675A (zh) | 一种仓储模型训练方法、装置、计算机设备及存储介质 | |
CN114780727A (zh) | 基于强化学习的文本分类方法、装置、计算机设备及介质 | |
CN113435583B (zh) | 基于联邦学习的对抗生成网络模型训练方法及其相关设备 | |
CN112633973A (zh) | 一种商品推荐方法及其相关设备 | |
CN112035549A (zh) | 数据挖掘方法、装置、计算机设备及存储介质 | |
CN112863683A (zh) | 基于人工智能的病历质控方法、装置、计算机设备及存储介质 | |
CN112036483B (zh) | 基于AutoML的对象预测分类方法、装置、计算机设备及存储介质 | |
CN112288163A (zh) | 目标对象的目标因子预测方法及相关设备 | |
CN112085087A (zh) | 业务规则生成的方法、装置、计算机设备及存储介质 | |
CN114529574A (zh) | 基于图像分割的图像抠图方法、装置、计算机设备及介质 | |
CN112785005A (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN112668482A (zh) | 人脸识别训练方法、装置、计算机设备及存储介质 | |
CN115329876A (zh) | 一种设备故障处理方法、装置、计算机设备及存储介质 | |
CN112634158A (zh) | 人脸图像恢复方法、装置、计算机设备及存储介质 | |
CN112528029A (zh) | 文本分类模型处理方法、装置、计算机设备及存储介质 | |
CN115619448A (zh) | 用户流失预测方法、装置、计算机设备及存储介质 | |
CN113283222B (zh) | 自动化报表生成方法、装置、计算机设备及存储介质 | |
CN114359582A (zh) | 一种基于神经网络的小样本特征提取方法及相关设备 | |
CN112199374B (zh) | 针对数据缺失的数据特征挖掘方法及其相关设备 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
CN113936677A (zh) | 音色转换方法、装置、计算机设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |