CN112381000A - 基于联邦学习的人脸识别方法、装置、设备及存储介质 - Google Patents
基于联邦学习的人脸识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112381000A CN112381000A CN202011280331.7A CN202011280331A CN112381000A CN 112381000 A CN112381000 A CN 112381000A CN 202011280331 A CN202011280331 A CN 202011280331A CN 112381000 A CN112381000 A CN 112381000A
- Authority
- CN
- China
- Prior art keywords
- face
- client
- user
- face recognition
- server
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 126
- 230000006870 function Effects 0.000 claims description 109
- 239000013598 vector Substances 0.000 claims description 89
- 238000012545 processing Methods 0.000 claims description 50
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005520 cutting process Methods 0.000 claims description 12
- 230000001815 facial effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 4
- 208000035473 Communicable disease Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了基于联邦学习的人脸识别方法、装置、设备及存储介质,该方法包括客户端获取用户的M张第一人脸图片,将M张第一人脸图片分别输入到人脸识别模型,得到M个人脸特征向量,并将M个人脸特征向量进行加密后反馈给服务器,接收服务器发送的加密后的损失函数值,根据解密后的损失函数值更新人脸识别模型,直至满足训练终止条件,得到训练好的口罩人脸识别模型。由于客户端与服务器交互不包括客户端的人脸图片训练数据,如此可以有效地避免用户隐私数据的泄露,并基于训练好的口罩人脸识别模型对口罩人脸进行识别,可以准确快速地识别出该口罩人脸所属的用户,从而可以解决现有技术中存在人脸识别算法对于口罩人脸的识别性能低的问题。
Description
技术领域
本发明涉及金融科技(Fintech)领域,尤其涉及基于联邦学习的人脸识别方法、装置、设备及存储介质。
背景技术
随着计算机技术的发展,越来越多的技术应用在金融领域,传统金融业正在逐步向金融科技转变,但由于金融行业的安全性、实时性要求,也对技术提出的更高的要求。传染病肆虐期间,全民戴口罩的行为可以有效地阻挡疫情的传播。然而与此同时,用户在通过人脸识别进行身份验证时会遭遇很大困难。
目前现有的人脸识别方法,比如DeepFace、FaceNet等人脸识别算法,对于正常的人脸识别具有很好的识别性能,可以准确快速地识别出人脸特征。然而,倘若将这些人脸识别算法应用于口罩人脸识别时,由于大量的面部特征点被口罩遮挡,这些人脸识别算法的性能会大幅降低,难以发挥它们的识别性能,也就难以被推广使用,同时存在泄漏口罩人脸隐私信息的风险。比如用户在地铁、商场等公共场所使用人脸识别进行支付、转账、手机屏幕解锁等操作时,通常需要摘下自己的口罩,这就会增加疫情传播的健康风险,并且也降低了用户操作的方便性。
综上,目前亟需一种基于联邦学习的人脸识别方法,用以解决现有技术中存在人脸识别算法对于口罩人脸的识别性能低的问题,并提升用户操作的方便性。
发明内容
本发明提供了一种基于联邦学习的人脸识别方法、装置、设备及存储介质,用以解决现有技术中存在人脸识别算法对于口罩人脸的识别性能低的问题,并提升用户操作的方便性。
第一方面,本发明提供了一种基于联邦学习的人脸识别方法,包括:
客户端获取用户的M张第一人脸图片;其中,M为大于1的整数;
所述客户端将所述M张第一人脸图片分别输入到人脸识别模型,得到M个人脸特征向量,并将所述M个人脸特征向量进行加密后反馈给服务器;
所述客户端接收所述服务器发送的加密后的损失函数值,所述损失函数值是所述服务器根据所述M个人脸特征向量和所述用户的基准人脸特征确定的;
所述客户端根据解密后的所述损失函数值更新所述人脸识别模型,直至所述人脸识别模型收敛或达到预设迭代训练轮次为止,得到训练好的口罩人脸识别模型。
上述技术方案中,通过将M张第一人脸图片分别输入到人脸识别模型进行训练,得到M个人脸特征向量,并将M个人脸特征向量进行加密后反馈给服务器,以使服务器将解密后的M个人脸特征向量与用户的基准人脸特征通过预设的损失函数进行统计处理确定出损失函数值。再根据损失函数值对人脸识别模型的模型参数进行更新,直至得到训练好的口罩人脸识别模型。由于客户端与服务器之间的交互不包括客户端的口罩人脸图片训练数据,并对交互的M个人脸特征向量以及损失函数值进行加密处理,如此可以有效地避免用户隐私数据的泄露,从而有助于提高数据的安全性,并基于训练好的口罩人脸识别模型对口罩人脸进行识别,可以准确快速地识别出该口罩人脸所属的用户,有效地降低了传染病传播的风险,并有助于提高用户操作的方便性,从而可以解决现有技术中存在人脸识别算法对于口罩人脸的识别性能低,同时存在泄漏口罩人脸隐私信息的风险的问题。
可选地,在所述客户端获取用户的M张戴有口罩的第一人脸图片之前,还包括:
所述客户端将加密后的所述用户的身份标识ID发送给所述服务器;
所述客户端接收所述服务器发送的训练样本指示信息,所述训练样本指示信息用于指示所述客户端上传的口罩人脸图片训练样本的数量值或上传的训练样本对应的标识。
上述技术方案中,由于客户端与服务器之间的交互不包括客户端的人脸图片训练数据,只交互用户的身份标识ID或训练样本指示信息,且对用户的身份标识ID或训练样本指示信息进行加密,如此可以确保有效地避免用户人脸隐私数据的泄露,并有助于提高数据的安全性。此外,训练样本指示信息可使客户端根据服务器需要口罩人脸图片训练样本的数量值进行上传对应数量的人脸特征向量,以便服务器根据对应数量的人脸特征向量确定出损失函数值并用于更新客户端本地的人脸识别模型。
可选地,所述客户端获取用户的M张具有戴口罩属性的第一人脸图片,包括:
所述客户端获取所述用户的M张具有戴口罩属性的第二人脸图片;
所述客户端通过预设的切除规则对M张所述第二人脸图片进行切除处理,得到所述M张所述第一人脸图片;所述第一人脸图片为人脸中鼻梁以上位置的图片。
上述技术方案中,由于口罩遮盖位置对于训练口罩人脸识别模型意义不大,因此通过预设的切除规则对M张第二人脸图片进行切除处理,只将人脸中鼻梁以上位置的图片输入到人脸识别模型进行处理,可以降低预设的口罩人脸识别模型的数据处理量,从而提升预设的口罩人脸识别模型的训练效率,并为后续在将人脸特征向量传输给服务器时,可以有效地降低传输带宽负载。
可选地,在所述得到训练好的口罩人脸识别模型之后,还包括:
所述客户端获取用户的人脸识别请求,所述人脸识别请求包括用户的具有戴口罩属性的第三人脸图片;
所述客户端将所述第三人脸图片输入到所述口罩人脸识别模型进行识别,得到所述用户的人脸识别结果,并基于所述用户的人脸识别结果确定所述用户是否为目标用户;
若是,则所述客户端确定所述用户验证通过。
上述技术方案中,在客户端使用训练好的口罩人脸识别模型时,可以直接将具有戴口罩属性的人脸图片输入到口罩人脸识别模型进行识别,并可以根据人脸识别结果与真实用户的人脸进行比对,直接确定该用户是否为真实用户,从而可以有效地确保用户的隐私数据安全,并有助于提高数据的安全性。
可选地,在所述得到训练好的口罩人脸识别模型之后,还包括:
所述客户端将所述口罩人脸识别模型的模型参数进行加密;
所述客户端将加密后的模型参数存储至所述服务器。
可选地,所述方法还包括:
所述客户端在初次安装后,向所述服务器发送参数更新请求;
所述客户端接收携带有加密的模型参数的参数更新响应;所述加密的模型参数是所述服务器根据所述参数更新请求中的用户的身份标识ID确定的;
所述客户端根据所述加密的模型参数更新所述客户端中的人脸识别模型,得到口罩人脸识别模型。
上述技术方案中,在客户端初次安装时,客户端可以只需要向服务器发送模型参数请求,就可以获取与该客户端对应的口罩人脸识别模型的模型参数。再根据该口罩人脸识别模型的模型参数更新本地存储的人脸识别模型的初始模型参数,就可以得到一个直接使用的口罩人脸识别模型,依据该更新后的口罩人脸识别模型对用户的人脸图片进行识别,可以有效地节省用户训练口罩人脸识别模型的时间,并有助于提升识别用户口罩人脸图片的效率。
第二方面,本发明提供了一种基于联邦学习的人脸识别方法,包括:
服务器获取客户端发送的加密后的M个人脸特征向量;所述M为大于1的整数;
所述服务器对所述加密后的M个人脸特征向量进行解密处理,得到解密后的M个人脸特征向量;
所述服务器通过预设的损失函数对所述解密后的M个人脸特征向量和用户的基准人脸特征进行统计处理确定出损失函数值;
所述服务器将加密后的所述损失函数值发送给所述客户端;所述客户端用于根据解密后的所述损失函数值更新人脸识别模型,直至所述人脸识别模型收敛或达到预设迭代训练轮次为止,得到训练好的口罩人脸识别模型。
上述技术方案中,通过对加密后的M个人脸特征向量进行解密处理,并通过预设的损失函数对解密后的M个人脸特征向量和用户的基准人脸特征进行统计处理确定出损失函数值,再将加密后的该损失函数值发送给该客户端,以使该客户端更新人脸识别模型,得到训练好的口罩人脸识别模型。由于客户端与服务器之间的交互不包括客户端的人脸图片训练数据,并对交互的M个人脸特征向量以及损失函数值进行加密处理,如此可以有效地避免用户隐私数据的泄露,从而有助于提高数据的安全性,并基于训练好的口罩人脸识别模型对口罩人脸进行识别,可以准确快速地识别出该口罩人脸所属的用户,有效地降低了传染病传播的风险,并有助于提高用户操作的方便性,从而可以解决现有技术中存在人脸识别算法对于口罩人脸的识别性能低,同时存在泄漏口罩人脸隐私信息的风险的问题。
可选地,在所述服务器获取客户端发送的加密后的M个人脸特征向量之前,还包括:
所述服务器获取所述客户端发送的加密后的用户的身份标识ID;
所述服务器对所述加密后的用户的身份标识ID进行解密,得到解密后的用户的身份标识ID;
所述服务器根据所述解密后的用户的身份标识ID,确定出对应的训练样本指示信息,所述训练样本指示信息用于指示所述客户端上传的训练样本对应的人脸特征向量的数量或上传的训练样本对应的标识;
所述服务器将加密后的所述训练样本指示信息发送给所述客户端;所述客户端用于根据解密后的所述训练样本指示信息,确定出对应的M张具有戴口罩属性的第一人脸图片,并对所述M张具有戴口罩属性的第一人脸图片进行切除处理得到M张所述第一人脸图片,将所述M张所述第一人脸图片分别输入到所述人脸识别模型进行训练,得到所述M个人脸特征向量。
上述技术方案中,由于客户端与服务器之间的交互不包括客户端的人脸图片训练数据,只交互用户的身份标识ID或训练样本指示信息,且对用户的身份标识ID或训练样本指示信息进行加密,如此可以确保有效地避免用户人脸隐私数据的泄露,并有助于提高数据的安全性。此外,根据用户的身份标识ID确定出对应的训练样本指示信息,该训练样本指示信息可使用户的身份标识ID所登陆的客户端根据服务器需要训练样本对应的人脸特征向量的数量进行上传对应数量的人脸特征向量,以便服务器根据对应数量的人脸特征向量确定出损失函数值并用于更新客户端本地的人脸识别模型。
可选地,所述服务器通过预设的损失函数对所述解密后的M个人脸特征向量和所述用户的基准人脸特征进行统计处理确定出损失函数值,包括:
所述服务器通过所述预设的损失函数分别计算所述解密后的M个人脸特征向量与所述用户的基准人脸特征的损失函数值,得到M个第一损失函数值;
所述服务器对所述M个第一损失函数值进行加权处理,得到处理后的所述损失函数值。
上述技术方案中,通过对M个第一损失函数值进行加权处理,并将处理后的损失函数值进行加密发送给客户端,以使客户端可以根据该损失函数值更新本地的人脸识别模型,为后续训练得到口罩人脸识别模型提供支持。
第三方面,本发明还提供了一种基于联邦学习的人脸识别装置,包括:
第一获取单元,用于获取用户的M张第一人脸图片;其中,M为大于1的整数;
第一处理单元,用于将所述M张第一人脸图片分别输入到人脸识别模型,得到M个人脸特征向量,并将所述M个人脸特征向量进行加密后反馈给服务器;接收所述服务器发送的加密后的损失函数值,所述损失函数值是所述服务器根据所述M个人脸特征向量和所述用户的基准人脸特征确定的;根据解密后的所述损失函数值更新所述人脸识别模型,直至所述人脸识别模型收敛或达到预设迭代训练轮次为止,得到训练好的口罩人脸识别模型。
可选地,所述第一处理单元还用于:
将加密后的所述用户的身份标识ID发送给所述服务器;
接收所述服务器发送的训练样本指示信息,所述训练样本指示信息用于指示所述客户端上传的口罩人脸图片训练样本的数量值或上传的训练样本对应的标识。
可选地,所述第一处理单元具体用于:
获取所述用户的M张具有戴口罩属性的第二人脸图片;
通过预设的切除规则对M张所述第二人脸图片进行切除处理,得到所述M张第一人脸图片;所述M张第一人脸图片均为人脸中鼻梁以上位置的图片。
可选地,所述第一处理单元还用于:
获取用户的人脸识别请求,所述人脸识别请求包括用户的具有戴口罩属性的第三人脸图片;
将所述第三人脸图片输入到所述口罩人脸识别模型进行识别,得到所述用户的人脸识别结果,并基于所述用户的人脸识别结果确定所述用户是否为目标用户;
若是,则确定所述用户验证通过。
可选地,所述第一处理单元还用于:
将所述口罩人脸识别模型的模型参数进行加密;
将加密后的模型参数存储至所述服务器。
可选地,所述第一处理单元还用于:
在初次安装后,向所述服务器发送参数更新请求;
接收携带有加密的模型参数的参数更新响应;所述加密的模型参数是所述服务器根据所述参数更新请求中的用户的身份标识ID确定的;
根据所述加密的模型参数更新所述客户端中的人脸识别模型,得到口罩人脸识别模型。
第四方面,本发明还提供了一种基于联邦学习的人脸识别装置,包括:
第二获取单元,用于客户端发送的加密后的M个人脸特征向量;所述M为大于1的整数;
第二处理单元,用于对所述加密后的M个人脸特征向量进行解密处理,得到解密后的M个人脸特征向量;通过预设的损失函数对所述解密后的M个人脸特征向量和用户的基准人脸特征进行统计处理确定出损失函数值;将加密后的所述损失函数值发送给所述客户端;所述客户端用于根据解密后的所述损失函数值更新人脸识别模型,直至所述人脸识别模型收敛或达到预设迭代训练轮次为止,得到训练好的口罩人脸识别模型。
可选地,所述第二处理单元还用于:
获取所述客户端发送的加密后的用户的身份标识ID;
对所述加密后的用户的身份标识ID进行解密,得到解密后的用户的身份标识ID;
根据所述解密后的用户的身份标识ID,确定出对应的训练样本指示信息,所述训练样本指示信息用于指示所述客户端上传的口罩人脸图片训练样本的数量值或上传的训练样本对应的标识;
将加密后的所述训练样本指示信息发送给所述客户端;所述客户端用于根据解密后的所述训练样本指示信息,确定出对应的M张具有戴口罩属性的第二人脸图片,并对所述M张具有戴口罩属性的第二人脸图片进行切除处理得到M张第一人脸图片,将所述M张第一人脸图片分别输入到所述人脸识别模型进行训练,得到所述M个人脸特征向量。
可选地,所述第二处理单元具体用于:
通过所述预设的损失函数分别计算所述解密后的M个人脸特征向量与所述用户的基准人脸特征的损失函数值,得到M个第一损失函数值;
对所述M个第一损失函数值进行加权处理,得到处理后的所述损失函数值。
第五方面,本发明提供一种计算设备,包括:
存储器,用于存储计算机程序;
处理器,用于调用所述存储器中存储的计算机程序,按照获得的程序执行基于联邦学习的人脸识别方法。
第六方面,本发明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执行程序,所述计算机可执行程序用于使计算机执行基于联邦学习的人脸识别方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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为本发明实施例提供的一种系统架构的示意图;
图2为本发明实施例提供的一种基于联邦学习的人脸识别方法的流程示意图;
图3为本发明实施例提供的一种基于联邦学习的人脸识别装置的结构示意图;
图4为本发明实施例提供的另一种基于联邦学习的人脸识别装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种系统架构。如图1所示,该系统架构可以为服务器100,包括处理器110、通信接口120和存储器130。
其中,通信接口120用于与终端设备进行通信,收发该终端设备传输的信息,实现通信。
处理器110是服务器100的控制中心,利用各种接口和线路连接整个服务器100的各个部分,通过运行或执行存储在存储器130内的软件程序/或模块,以及调用存储在存储器130内的数据,执行服务器100的各种功能和处理数据。可选地,处理器110可以包括一个或多个处理单元。
存储器130可用于存储软件程序以及模块,处理器110通过运行存储在存储器130的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器130可主要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、至少一个功能所需的应用程序等;存储数据区可存储根据业务处理所创建的数据等。此外,存储器130可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是,上述图1所示的结构仅是一种示例,本发明实施例对此不做限定。
基于上述描述,图2示例性的示出了本发明实施例提供的一种基于联邦学习的人脸识别方法的流程,该流程可以由基于联邦学习的人脸识别装置执行。
如图2所示,该流程具体包括:
步骤201,客户端获取用户的M张第一人脸图片。
步骤202,所述客户端将所述M张第一人脸图片分别输入到人脸识别模型,得到M个人脸特征向量。
步骤203,所述客户端发送加密后的所述M个人脸特征向量给服务器。
步骤204,所述服务器对所述加密后的所述M个人脸特征向量进行解密处理,得到解密后的所述M个人脸特征向量。
步骤205,所述服务器通过预设的损失函数对所述解密后的所述M个人脸特征向量和用户的基准人脸特征进行统计处理确定出损失函数值。
步骤206,所述服务器发送加密后的所述损失函数值给所述客户端。
步骤207,所述客户端根据解密后的所述损失函数值更新所述人脸识别模型,直至所述人脸识别模型收敛或达到预设迭代训练轮次为止,得到训练好的口罩人脸识别模型。
上述步骤201中,在获取用户的M张第一人脸图片之前,客户端需要将加密后的用户的身份标识ID发送服务器,以使服务器对加密后的用户的身份标识ID进行解密处理,并根据解密后的用户的身份标识ID确定出对应的训练样本指示信息,该训练样本指示信息用于指示客户端上传的口罩人脸图片训练样本的数量值或上传的训练样本对应的标识,即,服务器需要客户端上传多少个口罩人脸图片训练样本对应的人脸特征向量进行损失函数计算。然后,客户端获取用户的M张具有戴口罩属性的第二人脸图片,并对过预设的切除规则对M张第二人脸图片进行切除处理,得到M张第一人脸图片。其中,该M张第一人脸图片均为人脸中鼻梁以上位置的图片。
需要说明的是,由于客户端与服务器之间的交互不包括客户端的人脸图片训练数据,只交互用户的身份标识ID或训练样本指示信息,且对用户的身份标识ID或训练样本指示信息进行加密,如此可以确保有效地避免用户人脸隐私数据的泄露,并有助于提高数据的安全性。如此,训练样本指示信息可使客户端根据服务器需要口罩人脸图片训练样本的数量值进行上传对应数量的人脸特征向量,以便服务器根据对应数量的人脸特征向量确定出损失函数值并用于更新客户端本地的人脸识别模型。此外,由于口罩遮盖位置对于训练口罩人脸识别模型意义不大,因此通过预设的切除规则对M张第二人脸图片进行切除处理,只将人脸中鼻梁以上位置的图片输入到人脸识别模型进行处理,可以降低预设的口罩人脸识别模型的数据处理量,从而提升预设的口罩人脸识别模型的训练效率,并为后续在将人脸特征向量传输给服务器时,可以有效地降低传输带宽负载。
上述步骤202和步骤203中,客户端将M张第一人脸图片分别输入到人脸识别模型进行训练,得到M个人脸特征向量,并将加密后的M个人脸特征向量给服务器,以使服务器对加密后的M个人脸特征向量进行相应处理。
上述步骤204、步骤205和步骤206中,在接收到加密后的M个人脸特征向量之前,服务器获取客户端发送的加密后的用户的身份标识ID,并对加密后的用户的身份标识ID进行解密,得到解密后的用户的身份标识ID。再根据解密后的用户的身份标识ID,确定出对应的训练样本指示信息,该训练样本指示信息用于指示客户端上传的口罩人脸图片训练样本的数量值或上传的训练样本对应的标识。之后将加密后的训练样本指示信息发送给客户端,客户端用于根据解密后的训练样本指示信息,确定出对应的M张具有戴口罩属性的第二人脸图片,并对M张具有戴口罩属性的第二人脸图片进行切除处理得到M张第一人脸图片,将M张第一人脸图片分别输入到人脸识别模型进行训练,得到M个人脸特征向量。
服务器在接收到加密后的M个人脸特征向量后,对加密后的M个人脸特征向量进行解密处理,并通过预设的损失函数分别计算解密后的M个人脸特征向量与用户的基准人脸特征的损失函数值,得到M个第一损失函数值。再对M个第一损失函数值进行加权处理,得到处理后的损失函数值。之后对该损失函数值进行加密并将加密后的该损失函数值发送给客户端。如此,通过对M个第一损失函数值进行加权处理,并将处理后的损失函数值进行加密发送给客户端,以使客户端可以根据该损失函数值更新本地的人脸识别模型,为后续训练得到口罩人脸识别模型提供支持。
上述步骤207中,客户端接收服务器发送的加密后的损失函数值,并对加密后的损失函数值进行解密处理,得到解密后的损失函数值。再根据解密后的损失函数值更新人脸识别模型,直至人脸识别模型收敛或达到预设迭代训练轮次为止,得到训练好的口罩人脸识别模型。
在得到训练好的口罩人脸识别模型后,客户端获取用户的人脸识别请求,该人脸识别请求包括用户的具有戴口罩属性的第三人脸图片。再将第三人脸图片输入到口罩人脸识别模型进行识别,得到用户的人脸识别结果,并基于用户的人脸识别结果确定用户是否为目标用户,若是,则确定所述用户验证通过。或者在得到训练好的口罩人脸识别模型之后,客户端将口罩人脸识别模型的模型参数进行加密,并将加密后的模型参数存储至服务器。然后在客户端初次安装或卸载又重新安装后,可以向服务器发送参数更新请求,并接收携带有加密的模型参数的参数更新响应,该加密的模型参数是服务器根据参数更新请求中的用户的身份标识ID确定的。之后根据加密的模型参数更新客户端中的人脸识别模型,得到口罩人脸识别模型。
进一步地,本发明实施例以隐私保护的方式训练口罩人脸识别模型。其中,本发明实施例基于联邦学习技术,客户端与服务器的所有交互信息都经加密后才能发送,在一方接受到加密信息后将在本地使用密钥解密后再进行操作。以隐私保护的方式从若干客户端(如智能手机或平板电脑等)获取加密后的口罩人脸特征信息,并通过联邦学习算法训练得到具有良好性能的口罩人脸识别模型。由于交互信息不包含原始数据,有助于保证口罩人脸隐私信息不被泄露,同时可有效解决由于口罩人脸公开数据集的缺乏导致口罩人脸识别应用落地困难的问题。该训练过程具体为:
Step1:服务器端将密钥分发给各用户客户端,用于对需要交换的信息进行加密和解密处理。其中,该密钥可以是对称密钥或非对称密钥的形式。
Step2:用户在本地设备(如智能手机或平板电脑等)使用客户端时,向服务器端发送加密后的用户ID。
Step3:服务器端对接收到的加密后的用户ID进行解密,并对属于同一类别(即属于同一用户)的用户ID进行全局样本对齐。之后,服务器端根据用户ID对应的训练样本指示信息(该训练样本指示信息用于指示客户端上传的口罩人脸图片训练样本的数量值或上传的训练样本对应的标识),并将该训练样本指示信息加密后发送至用户客户端。其中,服务器按照用户标识进行分类,同一个人脸图片属于一个类别,不同人脸图片属于不同类别,再统一同一类别的用户标识,并按统一后的用户标识进行数据对齐。
Step4:客户端根据训练样本指示信息中口罩人脸图片训练样本的数量值或训练样本对应的标识从本地存储的口罩人脸图片样本集中随机选取对应数量值或对应标识的口罩人脸图片样本,若本地存储的口罩人脸图片样本集的数量小于训练样本指示信息中口罩人脸图片训练样本的数量值或训练样本对应的标识,则需要客户端继续采集用户的口罩人脸图片,直至满足数量要求。然后再将选取的口罩人脸图片样本分别输入到口罩人脸识别模型进行训练,并将训练口罩人脸识别模型后生成的口罩人脸特征向量加密后发送给服务器端。需要说明的是,本发明实施例中的口罩人脸特征仅包括鼻梁以上位置,由于口罩遮盖位置对于训练口罩人脸识别模型意义不大,因此在将口罩人脸特征向量上传服务器端之前,需要对口罩人脸图片进行切除处理,或者对从口罩人脸特征向量中提取出鼻梁以上位置的特征向量,以降低客户端传输给服务器端时的带宽负载,从而可以提升口罩人脸识别模型的训练效率。其中,切除方法可通过开源算法(如Face-Alignment)实现,具体可以提取眼周、眉毛、额头等区域的特征点。
Step5:服务器端基于收集到的多个口罩人脸特征向量,可以通过预设损失函数分别进行计算多个口罩人脸特征向量与用户的基准人脸特征的多个损失函数值,并对多个损失函数值进行加权处理,得到处理后的损失函数值。
Step6:服务器端将处理后的损失函数值加密后发送至对应用户的客户端,对应用户的客户端对该损失函数值在本地进行统计处理,计算出梯度值,并根据该梯度值更新口罩人脸识别模型。
重复上述训练过程(Step2至Step6),直至模型训练收敛或达到预设迭代训练轮次为止,得到训练好的口罩人脸识别模型。
上述实施例表明,通过将M张第一人脸图片分别输入到人脸识别模型进行训练,得到M个人脸特征向量,并将M个人脸特征向量进行加密后反馈给服务器,以使服务器将解密后的M个人脸特征向量与用户的基准人脸特征通过预设的损失函数进行统计处理确定出损失函数值。再根据损失函数值对人脸识别模型的模型参数进行更新,直至得到训练好的口罩人脸识别模型。由于客户端与服务器之间的交互不包括客户端的人脸图片训练数据,并对交互的M个人脸特征向量以及损失函数值进行加密处理,如此可以有效地避免用户隐私数据的泄露,从而有助于提高数据的安全性,并基于训练好的口罩人脸识别模型对口罩人脸进行识别,可以准确快速地识别出该口罩人脸所属的用户,有效地降低了传染病传播的风险,并有助于提高用户操作的方便性,从而可以解决现有技术中存在人脸识别算法对于口罩人脸的识别性能低,同时存在泄漏口罩人脸隐私信息的风险的问题。
需要说明的是,本发明实施例还提供另外一种形式的口罩人脸识别模型的训练方式,该训练过程具体为:
a、服务器将密钥分发给各用户客户端,用于对需要交换的信息进行加密和解密处理。
b、服务器将初始的人脸识别模型进行加密后分发给各用户客户端,以使各用户客户端对初始的人脸识别模型进行解密后存储在本地。
c、各用户客户端使用各自本地存储的口罩人脸图片训练样本集中任一训练样本输入到初始的人脸识别模型进行训练,得到人脸识别模型的模型参数。
d、各用户客户端将各自训练人脸识别模型得到的模型参数进行加密后上传给服务器,以使服务器对接收到的各用户客户端的模型参数进行解密后并进行加权处理,将加权处理后的模型参数进行加密后分发给各用户客户端,以使各用户客户端对加密后的模型参数进行解密,并根据解密后的模型参数进行本地人脸识别模型的训练。
重新上述训练过程(c至d),直至模型训练收敛或达到预设迭代训练轮次为止,得到训练好的口罩人脸识别模型。然后各用户客户端可以使用本地存储的训练好的口罩人脸识别模型识别各用户客户端的用户,如此可以减少因多个用户客户端训练本地存储的口罩人脸识别模型得到的模型参数存在差异的影响,并采用多个用户客户端上传的模型参数进行加权处理以便各用户客户端对口罩人脸识别模型的模型参数进行更新,从而可以提升口罩人脸识别模型的精确性。
基于相同的技术构思,图3示例性的示出了本发明实施例提供的一种基于联邦学习的人脸识别装置,该装置可以执行基于联邦学习的人脸识别方法的流程。
如图3所示,该装置包括:
第一获取单元301,用于获取用户的M张第一人脸图片;其中,M为大于1的整数;
第一处理单元302,用于将所述M张第一人脸图片分别输入到人脸识别模型,得到M个人脸特征向量,并将所述M个人脸特征向量进行加密后反馈给服务器;接收所述服务器发送的加密后的损失函数值,所述损失函数值是所述服务器根据所述M个人脸特征向量和所述用户的基准人脸特征确定的;根据解密后的所述损失函数值更新所述人脸识别模型,直至所述人脸识别模型收敛或达到预设迭代训练轮次为止,得到训练好的口罩人脸识别模型。
可选地,所述第一处理单元302还用于:
将加密后的所述用户的身份标识ID发送给所述服务器;
接收所述服务器发送的训练样本指示信息,所述训练样本指示信息用于指示所述客户端上传的口罩人脸图片训练样本的数量值或上传的训练样本对应的标识。
可选地,所述第一处理单元302具体用于:
获取所述用户的M张具有戴口罩属性的第二人脸图片;
通过预设的切除规则对M张所述第二人脸图片进行切除处理,得到所述M张第一人脸图片;所述M张第一人脸图片均为人脸中鼻梁以上位置的图片。
可选地,所述第一处理单元302还用于:
获取用户的人脸识别请求,所述人脸识别请求包括用户的具有戴口罩属性的第三人脸图片;
将所述第三人脸图片输入到所述口罩人脸识别模型进行识别,得到所述用户的人脸识别结果,并基于所述用户的人脸识别结果确定所述用户是否为目标用户;
若是,则确定所述用户验证通过。
可选地,所述第一处理单元302还用于:
将所述口罩人脸识别模型的模型参数进行加密;
将加密后的模型参数存储至所述服务器。
可选地,所述第一处理单302还用于:
在初次安装后,向所述服务器发送参数更新请求;
接收携带有加密的模型参数的参数更新响应;所述加密的模型参数是所述服务器根据所述参数更新请求中的用户的身份标识ID确定的;
根据所述加密的模型参数更新所述客户端中的人脸识别模型,得到口罩人脸识别模型。
基于相同的技术构思,图4示例性的示出了本发明实施例提供的一种基于联邦学习的人脸识别装置,该装置可以执行基于联邦学习的人脸识别方法的流程。
如图4所示,该装置包括:
第二获取单元401,用于客户端发送的加密后的M个人脸特征向量;所述M为大于1的整数;
第二处理单元402,用于对所述加密后的M个人脸特征向量进行解密处理,得到解密后的M个人脸特征向量;通过预设的损失函数对所述解密后的M个人脸特征向量和用户的基准人脸特征进行统计处理确定出损失函数值;将加密后的所述损失函数值发送给所述客户端;所述客户端用于根据解密后的所述损失函数值更新人脸识别模型,直至所述人脸识别模型收敛或达到预设迭代训练轮次为止,得到训练好的口罩人脸识别模型。
可选地,所述第二处理单元402还用于:
获取所述客户端发送的加密后的用户的身份标识ID;
对所述加密后的用户的身份标识ID进行解密,得到解密后的用户的身份标识ID;
根据所述解密后的用户的身份标识ID,确定出对应的训练样本指示信息,所述训练样本指示信息用于指示所述客户端上传的口罩人脸图片训练样本的数量值或上传的训练样本对应的标识;
将加密后的所述训练样本指示信息发送给所述客户端;所述客户端用于根据解密后的所述训练样本指示信息,确定出对应的M张具有戴口罩属性的第二人脸图片,并对所述M张具有戴口罩属性的第二人脸图片进行切除处理得到M张第一人脸图片,将所述M张第一人脸图片分别输入到所述人脸识别模型进行训练,得到所述M个人脸特征向量。
可选地,所述第二处理单元402具体用于:
通过所述预设的损失函数分别计算所述解密后的M个人脸特征向量与所述用户的基准人脸特征的损失函数值,得到M个第一损失函数值;
对所述M个第一损失函数值进行加权处理,得到处理后的所述损失函数值。
基于相同的技术构思,本发明实施例提供一种计算设备,包括:
存储器,用于存储计算机程序;
处理器,用于调用所述存储器中存储的计算机程序,按照获得的程序执行基于联邦学习的人脸识别方法。
基于相同的技术构思,本发明实施例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执行程序,所述计算机可执行程序用于使计算机执行基于联邦学习的人脸识别方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (13)
1.一种基于联邦学习的人脸识别方法,其特征在于,包括:
客户端获取用户的M张第一人脸图片;其中,M为大于1的整数;
所述客户端将所述M张第一人脸图片分别输入到人脸识别模型,得到M个人脸特征向量,并将所述M个人脸特征向量进行加密后反馈给服务器;
所述客户端接收所述服务器发送的加密后的损失函数值,所述损失函数值是所述服务器根据所述M个人脸特征向量和所述用户的基准人脸特征确定的;
所述客户端根据解密后的所述损失函数值更新所述人脸识别模型,直至所述人脸识别模型收敛或达到预设迭代训练轮次为止,得到训练好的口罩人脸识别模型。
2.如权利要求1所述的方法,其特征在于,在所述客户端获取用户的M张第一人脸图片之前,还包括:
所述客户端将加密后的所述用户的身份标识ID发送给所述服务器;
所述客户端接收所述服务器发送的训练样本指示信息,所述训练样本指示信息用于指示所述客户端上传的口罩人脸图片训练样本的数量值或上传的训练样本对应的标识。
3.如权利要求1所述的方法,其特征在于,所述客户端获取用户的M张第一人脸图片,包括:
所述客户端获取所述用户的M张具有戴口罩属性的第二人脸图片;
所述客户端通过预设的切除规则对M张所述第二人脸图片进行切除处理,得到所述M张第一人脸图片;所述M张第一人脸图片均为人脸中鼻梁以上位置的图片。
4.如权利要求1所述的方法,其特征在于,在所述得到训练好的口罩人脸识别模型之后,还包括:
所述客户端获取用户的人脸识别请求,所述人脸识别请求包括用户的具有戴口罩属性的第三人脸图片;
所述客户端将所述第三人脸图片输入到所述口罩人脸识别模型进行识别,得到所述用户的人脸识别结果,并基于所述用户的人脸识别结果确定所述用户是否为目标用户;
若是,则所述客户端确定所述用户验证通过。
5.如权利要求1所述的方法,其特征在于,在所述得到训练好的口罩人脸识别模型之后,还包括:
所述客户端将所述口罩人脸识别模型的模型参数进行加密;
所述客户端将加密后的模型参数存储至所述服务器。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
所述客户端在初次安装后,向所述服务器发送参数更新请求;
所述客户端接收携带有加密的模型参数的参数更新响应;所述加密的模型参数是所述服务器根据所述参数更新请求中的用户的身份标识ID确定的;
所述客户端根据所述加密的模型参数更新所述客户端中的人脸识别模型,得到口罩人脸识别模型。
7.一种基于联邦学习的人脸识别方法,其特征在于,包括:
服务器获取客户端发送的加密后的M个人脸特征向量;所述M为大于1的整数;
所述服务器对所述加密后的M个人脸特征向量进行解密处理,得到解密后的M个人脸特征向量;
所述服务器通过预设的损失函数对所述解密后的M个人脸特征向量和用户的基准人脸特征进行统计处理确定出损失函数值;
所述服务器将加密后的所述损失函数值发送给所述客户端;所述客户端用于根据解密后的所述损失函数值更新人脸识别模型,直至所述人脸识别模型收敛或达到预设迭代训练轮次为止,得到训练好的口罩人脸识别模型。
8.如权利要求7所述的方法,其特征在于,在所述服务器获取客户端发送的加密后的M个人脸特征向量之前,还包括:
所述服务器获取所述客户端发送的加密后的用户的身份标识ID;
所述服务器对所述加密后的用户的身份标识ID进行解密,得到解密后的用户的身份标识ID;
所述服务器根据所述解密后的用户的身份标识ID,确定出对应的训练样本指示信息,所述训练样本指示信息用于指示所述客户端上传的口罩人脸图片训练样本的数量值或上传的训练样本对应的标识;
所述服务器将加密后的所述训练样本指示信息发送给所述客户端;所述客户端用于根据解密后的所述训练样本指示信息,确定出对应的M张具有戴口罩属性的第二人脸图片,并对所述M张具有戴口罩属性的第二人脸图片进行切除处理得到M张第一人脸图片,将所述M张第一人脸图片分别输入到所述人脸识别模型进行训练,得到所述M个人脸特征向量。
9.如权利要求7所述的方法,其特征在于,所述服务器通过预设的损失函数对所述解密后的M个人脸特征向量和所述用户的基准人脸特征进行统计处理确定出损失函数值,包括:
所述服务器通过所述预设的损失函数分别计算所述解密后的M个人脸特征向量与所述用户的基准人脸特征的损失函数值,得到M个第一损失函数值;
所述服务器对所述M个第一损失函数值进行加权处理,得到处理后的所述损失函数值。
10.一种基于联邦学习的人脸识别装置,其特征在于,包括:
第一获取单元,用于获取用户的M张第一人脸图片;其中,M为大于1的整数
第一处理单元,用于将所述M张第一人脸图片分别输入到人脸识别模型,得到M个人脸特征向量,并将所述M个人脸特征向量进行加密后反馈给服务器;接收所述服务器发送的加密后的损失函数值,所述损失函数值是所述服务器根据所述M个人脸特征向量和所述用户的基准人脸特征确定的;根据解密后的所述损失函数值更新所述人脸识别模型,直至所述人脸识别模型收敛或达到预设迭代训练轮次为止,得到训练好的口罩人脸识别模型。
11.一种基于联邦学习的人脸识别装置,其特征在于,包括:
第二获取单元,用于客户端发送的加密后的M个人脸特征向量;所述M为大于1的整数;
第二处理单元,用于对所述加密后的M个人脸特征向量进行解密处理,得到解密后的M个人脸特征向量;通过预设的损失函数对所述解密后的M个人脸特征向量和用户的基准人脸特征进行统计处理确定出损失函数值;将加密后的所述损失函数值发送给所述客户端;所述客户端用于根据解密后的所述损失函数值更新人脸识别模型,直至所述人脸识别模型收敛或达到预设迭代训练轮次为止,得到训练好的口罩人脸识别模型。
12.一种计算设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于调用所述存储器中存储的计算机程序,按照获得的程序执行权利要求1至9任一项所述的方法。
13.一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存储有计算机可执行程序,所述计算机可执行程序用于使计算机执行权利要求1至9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011280331.7A CN112381000B (zh) | 2020-11-16 | 2020-11-16 | 基于联邦学习的人脸识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011280331.7A CN112381000B (zh) | 2020-11-16 | 2020-11-16 | 基于联邦学习的人脸识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381000A true CN112381000A (zh) | 2021-02-19 |
CN112381000B CN112381000B (zh) | 2024-08-27 |
Family
ID=74584752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011280331.7A Active CN112381000B (zh) | 2020-11-16 | 2020-11-16 | 基于联邦学习的人脸识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381000B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190707A (zh) * | 2021-05-24 | 2021-07-30 | 浙江大华技术股份有限公司 | 一种人脸库管理系统、方法、装置、存储设备及存储介质 |
CN113486839A (zh) * | 2021-07-20 | 2021-10-08 | 支付宝(杭州)信息技术有限公司 | 加密模型训练、图像加密和加密人脸图像识别方法及装置 |
CN113673476A (zh) * | 2021-09-02 | 2021-11-19 | 京东科技控股股份有限公司 | 人脸识别模型训练方法、装置、存储介质与电子设备 |
CN113837108A (zh) * | 2021-09-26 | 2021-12-24 | 重庆中科云从科技有限公司 | 人脸识别方法、装置及计算机可读存储介质 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766940A (zh) * | 2017-11-20 | 2018-03-06 | 北京百度网讯科技有限公司 | 用于生成模型的方法和装置 |
CN109167695A (zh) * | 2018-10-26 | 2019-01-08 | 深圳前海微众银行股份有限公司 | 基于联邦学习的联盟网络构建方法、设备及可读存储介质 |
US20200005081A1 (en) * | 2019-07-31 | 2020-01-02 | Lg Electronics Inc. | Method and apparatus for recognizing handwritten characters using federated learning |
US20200027033A1 (en) * | 2018-07-19 | 2020-01-23 | Adobe Inc. | Updating Machine Learning Models On Edge Servers |
CN110874649A (zh) * | 2020-01-16 | 2020-03-10 | 支付宝(杭州)信息技术有限公司 | 基于状态机的联邦学习方法、系统、客户端及电子设备 |
CN111241559A (zh) * | 2020-01-07 | 2020-06-05 | 深圳壹账通智能科技有限公司 | 训练模型保护方法、装置、系统、设备和计算机存储介质 |
CN111241580A (zh) * | 2020-01-09 | 2020-06-05 | 广州大学 | 一种基于可信执行环境的联邦学习方法 |
CN111310932A (zh) * | 2020-02-10 | 2020-06-19 | 深圳前海微众银行股份有限公司 | 横向联邦学习系统优化方法、装置、设备及可读存储介质 |
CN111401277A (zh) * | 2020-03-20 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 人脸识别模型更新方法、装置、设备和介质 |
CN111414636A (zh) * | 2020-03-20 | 2020-07-14 | 深圳前海微众银行股份有限公司 | 识别模型的更新方法、装置、设备及存储介质 |
CN111507481A (zh) * | 2020-04-17 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 一种联邦学习系统 |
CN111598254A (zh) * | 2020-05-22 | 2020-08-28 | 深圳前海微众银行股份有限公司 | 联邦学习建模方法、设备及可读存储介质 |
CN111598143A (zh) * | 2020-04-27 | 2020-08-28 | 浙江工业大学 | 基于信用评估的面向联邦学习中毒攻击的防御方法 |
CN111611610A (zh) * | 2020-04-12 | 2020-09-01 | 西安电子科技大学 | 联邦学习信息处理方法、系统、存储介质、程序、终端 |
CN111614679A (zh) * | 2020-05-22 | 2020-09-01 | 深圳前海微众银行股份有限公司 | 联邦学习资格恢复方法、设备及可读存储介质 |
US20200285980A1 (en) * | 2019-03-08 | 2020-09-10 | NEC Laboratories Europe GmbH | System for secure federated learning |
CN111768008A (zh) * | 2020-06-30 | 2020-10-13 | 平安科技(深圳)有限公司 | 联邦学习方法、装置、设备和存储介质 |
CN111814985A (zh) * | 2020-06-30 | 2020-10-23 | 平安科技(深圳)有限公司 | 联邦学习网络下的模型训练方法及其相关设备 |
CN111915019A (zh) * | 2020-08-07 | 2020-11-10 | 平安科技(深圳)有限公司 | 联邦学习方法、系统、计算机设备和存储介质 |
CN111931950A (zh) * | 2020-09-28 | 2020-11-13 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习进行模型参数更新的方法及系统 |
-
2020
- 2020-11-16 CN CN202011280331.7A patent/CN112381000B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766940A (zh) * | 2017-11-20 | 2018-03-06 | 北京百度网讯科技有限公司 | 用于生成模型的方法和装置 |
US20200027033A1 (en) * | 2018-07-19 | 2020-01-23 | Adobe Inc. | Updating Machine Learning Models On Edge Servers |
CN109167695A (zh) * | 2018-10-26 | 2019-01-08 | 深圳前海微众银行股份有限公司 | 基于联邦学习的联盟网络构建方法、设备及可读存储介质 |
US20200285980A1 (en) * | 2019-03-08 | 2020-09-10 | NEC Laboratories Europe GmbH | System for secure federated learning |
US20200005081A1 (en) * | 2019-07-31 | 2020-01-02 | Lg Electronics Inc. | Method and apparatus for recognizing handwritten characters using federated learning |
CN111241559A (zh) * | 2020-01-07 | 2020-06-05 | 深圳壹账通智能科技有限公司 | 训练模型保护方法、装置、系统、设备和计算机存储介质 |
CN111241580A (zh) * | 2020-01-09 | 2020-06-05 | 广州大学 | 一种基于可信执行环境的联邦学习方法 |
CN110874649A (zh) * | 2020-01-16 | 2020-03-10 | 支付宝(杭州)信息技术有限公司 | 基于状态机的联邦学习方法、系统、客户端及电子设备 |
CN111310932A (zh) * | 2020-02-10 | 2020-06-19 | 深圳前海微众银行股份有限公司 | 横向联邦学习系统优化方法、装置、设备及可读存储介质 |
CN111414636A (zh) * | 2020-03-20 | 2020-07-14 | 深圳前海微众银行股份有限公司 | 识别模型的更新方法、装置、设备及存储介质 |
CN111401277A (zh) * | 2020-03-20 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 人脸识别模型更新方法、装置、设备和介质 |
CN111611610A (zh) * | 2020-04-12 | 2020-09-01 | 西安电子科技大学 | 联邦学习信息处理方法、系统、存储介质、程序、终端 |
CN111507481A (zh) * | 2020-04-17 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 一种联邦学习系统 |
CN111598143A (zh) * | 2020-04-27 | 2020-08-28 | 浙江工业大学 | 基于信用评估的面向联邦学习中毒攻击的防御方法 |
CN111598254A (zh) * | 2020-05-22 | 2020-08-28 | 深圳前海微众银行股份有限公司 | 联邦学习建模方法、设备及可读存储介质 |
CN111614679A (zh) * | 2020-05-22 | 2020-09-01 | 深圳前海微众银行股份有限公司 | 联邦学习资格恢复方法、设备及可读存储介质 |
CN111768008A (zh) * | 2020-06-30 | 2020-10-13 | 平安科技(深圳)有限公司 | 联邦学习方法、装置、设备和存储介质 |
CN111814985A (zh) * | 2020-06-30 | 2020-10-23 | 平安科技(深圳)有限公司 | 联邦学习网络下的模型训练方法及其相关设备 |
CN111915019A (zh) * | 2020-08-07 | 2020-11-10 | 平安科技(深圳)有限公司 | 联邦学习方法、系统、计算机设备和存储介质 |
CN111931950A (zh) * | 2020-09-28 | 2020-11-13 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习进行模型参数更新的方法及系统 |
Non-Patent Citations (2)
Title |
---|
YIQIANG CHEN: "FedHealth: A Federated Transfer Learning Framework for Wearable Healthcare", IEEE INTELLIGENT SYSTEMS, vol. 35, no. 4, 20 April 2020 (2020-04-20), pages 83 - 93 * |
游锦成: "基于深度学习的人脸识别技术的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2019, no. 09, 6 August 2019 (2019-08-06), pages 138 - 993 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190707A (zh) * | 2021-05-24 | 2021-07-30 | 浙江大华技术股份有限公司 | 一种人脸库管理系统、方法、装置、存储设备及存储介质 |
CN113486839A (zh) * | 2021-07-20 | 2021-10-08 | 支付宝(杭州)信息技术有限公司 | 加密模型训练、图像加密和加密人脸图像识别方法及装置 |
CN113673476A (zh) * | 2021-09-02 | 2021-11-19 | 京东科技控股股份有限公司 | 人脸识别模型训练方法、装置、存储介质与电子设备 |
CN113673476B (zh) * | 2021-09-02 | 2023-11-07 | 京东科技控股股份有限公司 | 人脸识别模型训练方法、装置、存储介质与电子设备 |
CN113837108A (zh) * | 2021-09-26 | 2021-12-24 | 重庆中科云从科技有限公司 | 人脸识别方法、装置及计算机可读存储介质 |
CN113837108B (zh) * | 2021-09-26 | 2023-05-23 | 重庆中科云从科技有限公司 | 人脸识别方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112381000B (zh) | 2024-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284313B (zh) | 基于半监督学习的联邦建模方法、设备及可读存储介质 | |
CN112381000B (zh) | 基于联邦学习的人脸识别方法、装置、设备及存储介质 | |
CN110399742B (zh) | 一种联邦迁移学习模型的训练、预测方法及装置 | |
CN110189192B (zh) | 一种信息推荐模型的生成方法及装置 | |
WO2020029589A1 (zh) | 基于联邦学习的模型参数获取方法、系统及可读存储介质 | |
CN109255444B (zh) | 基于迁移学习的联邦建模方法、设备及可读存储介质 | |
JP6756037B2 (ja) | ユーザ本人確認の方法、装置及びシステム | |
US11256900B1 (en) | Facial recognition methods and apparatuses | |
CN112182644B (zh) | 一种数据处理方法、装置和电子设备 | |
CN110633806A (zh) | 纵向联邦学习系统优化方法、装置、设备及可读存储介质 | |
CN111340247A (zh) | 纵向联邦学习系统优化方法、设备及可读存储介质 | |
CN105635099A (zh) | 身份认证方法、身份认证系统、终端和服务器 | |
JP2017509076A (ja) | 処理されたデータを検証する方法および装置 | |
CN111401277A (zh) | 人脸识别模型更新方法、装置、设备和介质 | |
CN105429761A (zh) | 一种密钥生成方法及装置 | |
CN113766085B (zh) | 图像处理方法及相关装置 | |
CN109495252A (zh) | 数据加密方法、装置、计算机设备及存储介质 | |
CN112949545A (zh) | 识别人脸图像的方法、装置、计算设备和介质 | |
WO2023142440A1 (zh) | 一种图像加密、图像处理方法、装置、设备及介质 | |
CN116383793B (zh) | 人脸数据处理方法、装置、电子设备和计算机可读介质 | |
CN116502732B (zh) | 基于可信执行环境的联邦学习方法以及系统 | |
CN111046857A (zh) | 基于知识联邦的人脸识别方法、装置、设备、介质及系统 | |
CN112784823A (zh) | 人脸图像识别方法、装置、计算设备和介质 | |
CN115913537A (zh) | 基于隐私保护的数据求交方法、系统及相关设备 | |
CN112231309A (zh) | 纵向联邦数据统计的去重方法、装置、终端设备及介质 |
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 |