CN112784778A - 生成模型并识别年龄和性别的方法、装置、设备和介质 - Google Patents
生成模型并识别年龄和性别的方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112784778A CN112784778A CN202110115808.4A CN202110115808A CN112784778A CN 112784778 A CN112784778 A CN 112784778A CN 202110115808 A CN202110115808 A CN 202110115808A CN 112784778 A CN112784778 A CN 112784778A
- Authority
- CN
- China
- Prior art keywords
- model
- age
- gender
- candidate model
- training sample
- 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 71
- 238000012549 training Methods 0.000 claims abstract description 147
- 230000006870 function Effects 0.000 claims description 37
- 238000012795 verification Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 239000004744 fabric Substances 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
-
- 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
-
- 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
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了用于生成模型和用于识别年龄和性别的方法、装置、设备、存储介质、程序产品，涉及人工智能技术领域，具体为深度学习及图像识别技术领域。具体实现方案为：从预设的基础网络结构模块集合中选择网络结构模块构建至少一个候选模型；对于至少一个候选模型中每个候选模型，利用数据规模小于第一阈值的至少一种训练样本集中每种训练样本集对该候选模型进行训练，得到该候选模型针对不同训练样本集的预训练模型；根据每个候选模型针对不同训练样本集的预训练模型的性能为每个候选模型打分；利用数据规模大于第二阈值的训练样本集对打分最高的候选模型重新训练，得到年龄和性别识别模型。该实施方式能够通过一种模型同时分析年龄和性别。
Description
技术领域
本公开涉及人工智能技术领域，具体为深度学习及图像识别技术领域。
背景技术
人脸年龄、性别识别技术是指对于给定人脸照片估计出生理年龄和性别的技术。人脸是非常丰富的信息源，人脸图像能够提供例如身份、年龄、性别、表情等人的属性信息。
现有的人脸年龄估计和性别识别技术主要是基于传统机器学习框架或卷积神经网络框架。但现有技术仅能够估计年龄或性别其中的一项，不能通过一个模型同时分析两项人脸属性。且传统机器学习算法的人脸年龄估计或性别识别算法精度较低，并且计算复杂导致运算量大，无法在移动端等小型设备上运行，无法适应不同硬件和不同计算量要求的硬件环境。
发明内容
本公开提供了一种用于生成模型和识别年龄和性别的方法、装置、设备以及存储介质。
根据本公开的第一方面，提供了一种用于生成模型的方法，包括：从预设的基础网络结构模块集合中选择网络结构模块构建至少一个候选模型；获取数据规模小于第一阈值的至少一种训练样本集，其中，训练样本集中每个训练样本包括样本人脸图像、年龄和性别标注信息；对于至少一个候选模型中每个候选模型，利用至少一种训练样本集中每种训练样本集对该候选模型进行训练，得到该候选模型针对不同训练样本集的预训练模型；根据每个候选模型针对不同训练样本集的预训练模型的性能为每个候选模型打分；利用数据规模大于第二阈值的训练样本集对打分最高的候选模型重新训练，得到年龄和性别识别模型，其中，第二阈值大于第一阈值。
根据本公开的第二方面，提供了一种用于识别年龄和性别的方法，包括：获取待识别的目标用户的人脸图像；将人脸图像进行预处理；将预处理后的人脸图像输入根据权利要求1-6中任一项的方法训练的年龄和性别识别模型，输出目标用户的年龄和性别。
根据本公开的第三方面，提供了一种用于生成模型的装置，包括：构建单元，被配置成从预设的基础网络结构模块集合中选择网络结构模块构建至少一个候选模型；获取单元，被配置成获取数据规模小于第一阈值的至少一种训练样本集，其中，训练样本集中每个训练样本包括样本人脸图像、年龄和性别标注信息；预训练单元，被配置成对于至少一个候选模型中每个候选模型，利用至少一种训练样本集中每种训练样本集对该候选模型进行训练，得到该候选模型针对不同训练样本集的预训练模型；评分单元，被配置成根据每个候选模型针对不同训练样本集的预训练模型的性能为每个候选模型打分；再训练单元，被配置成利用数据规模大于第二阈值的训练样本集对打分最高的候选模型重新训练，得到年龄和性别识别模型，其中，第二阈值大于第一阈值。
根据本公开的第四方面，提供了一种用于识别年龄和性别的装置，包括：获取单元，被配置成获取待识别的目标用户的人脸图像；预处理单元，被配置成将人脸图像进行预处理；识别单元，被配置成将预处理后的人脸图像输入根据第一方面中任一项的装置训练的年龄和性别识别模型，输出目标用户的年龄和性别。
根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面中任一项的方法。
根据本公开的第六方面，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，其中，计算机指令用于使计算机执行根据第一方面中任一项的方法。
根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现根据第一方面中任一项的方法。
本申请实施例提供的用于生成模型的方法和装置，通过基础网络结构模块构建候选模型，再通过小规模的训练样本集进行预训练，筛选出性能最好的候选模型，最后用大规模的训练样本集重新训练出模型。该模型可同时从人脸图像中分析出年龄和性别。能够有效的提高人脸年龄估计和性别识别的使用场景，并且提高开发模型的效率，针对不同的硬件环境不需要进行繁琐的人工设计。另外，本申请使用单一卷积网络同时完成年龄估计和性别识别两项任务，提高了计算效率并且两个任务能够相互帮助提高准确率。
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，不构成对本公开的限定。其中：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请用于生成模型的方法的一个实施例的流程图；
图3是根据本申请用于生成模型的方法的一个应用场景的示意图；
图4是根据本申请用于生成模型的装置的一个实施例的结构示意图；
图5是根据本申请用于识别年龄和性别的方法的一个实施例的流程图；
图6是根据本申请用于识别年龄和性别的装置的一个实施例的结构示意图；
图7是用来实现本公开实施例的用于生成模型和用于识别年龄和性别的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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示出了可以应用本申请实施例的用于生成模型的方法、用于生成模型的装置、用于识别年龄和性别的方法或用于识别年龄和性别的装置的示例性系统架构100。
如图1所示，系统架构100可以包括终端101、102，网络103、数据库服务器104和服务器105。网络103用以在终端101、102，数据库服务器104与服务器105之间提供通信链路的介质。网络103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110可以使用终端101、102通过网络103与服务器105进行交互，以接收或发送消息等。终端101、102上可以安装有各种客户端应用，例如模型训练类应用、人脸检测识别类应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。
这里的终端101、102可以是硬件，也可以是软件。当终端101、102为硬件时，可以是具有显示屏的各种电子设备，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 Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
当终端101、102为硬件时，其上还可以安装有图像采集设备。图像采集设备可以是各种能实现采集图像功能的设备，如摄像头、传感器等等。用户110可以利用终端101、102上的图像采集设备，来采集自身或他人的人脸图像。
数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本。其中，样本可以包括样本人脸图像以及与样本人脸图像对应的年龄标注信息和性别标注信息。这样，用户110也可以通过终端101、102，从数据库服务器104所存储的样本集中选取样本。
服务器105也可以是提供各种服务的服务器，例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集中的样本，对初始模型进行训练，并可以将训练结果(如生成的年龄和性别识别模型)发送给终端101、102。这样，用户可以应用生成的年龄和性别识别模型进行年龄和性别识别。
这里的数据库服务器104和服务器105同样可以是硬件，也可以是软件。当它们为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当它们为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的用于生成模型的方法或用于识别年龄和性别的方法一般由服务器105执行。相应地，用于生成模型的装置或用于识别年龄和性别的装置一般也设置于服务器105中。
需要指出的是，在服务器105可以实现数据库服务器104的相关功能的情况下，系统架构100中可以不设置数据库服务器104。
应该理解，图1中的终端、网络、数据库服务器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、网络、数据库服务器和服务器。
继续参见图2，其示出了根据本申请的用于生成人脸检测模型的方法的一个实施例的流程200。该用于生成人脸检测模型的方法可以包括以下步骤：
步骤201，从预设的基础网络结构模块集合中选择网络结构模块构建至少一个候选模型。
在本实施例中，用于生成模型的方法的执行主体(例如图1所示的服务器105)可以获取预设的基础网络结构模块集合，然后从中选择至少一个网络结构模块用于构建候选模型。不同的组合方式构建出不同的候选模型。候选模型是一个由多个基础网络结构模块(block)组成并顺序执行的网络结构，每个block包含多层操作，其中主要有常规卷积层，深度可分离卷积层，1x1卷积层，BN层，激活函数层、池化层、全连接层等。可通过网络结构搜索(NAS)等现有技术选择网络结构模块构建至少一个候选模型。
步骤202，获取数据规模小于第一阈值的至少一种训练样本集。
在本实施例中，执行主体可以通过多种方式来获取训练样本集。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的训练样本集。再例如，用户可以通过终端(例如图1所示的终端101、102)来收集训练样本。这样，执行主体可以接收终端所收集的训练样本，并将这些训练样本存储在本地，从而生成训练样本集。
在这里，训练样本集中可以包括至少一个训练样本。每个训练样本包括样本人脸图像、年龄和性别标注信息，人脸图像用作模型输入、年龄和性别标注信息作为模型的期望输出，进行有监督地训练。这里的训练样本采取使用真实移动端场景(如手机摄像头)的人脸照片，并使用真实的年龄和性别对图片进行标注。样本人脸图像是经过数据预处理后的。可通过如下方式进行数据预处理：使用人脸检测和关键点检测算法对人脸照片中的人脸位置和关键点进行检测和定位，并根据位置进行仿射变换，将人脸按照关键点对齐到统一位置和大小。
第一阈值设置的比较小，例如200万。如果有10万张，50万张和100万张、1000万张的训练样本集，则可使用10万张，50万张和100万张的训练样本集进行预训练。使用第一阈值限制数据规模的目的是快速查找到性能较好的网络结构，此时训练出的预训练模型的精度不高。找到性能好的网络结构之后再用大规模的训练样本重新训练出高精度的模型。
步骤203，对于至少一个候选模型中每个候选模型，利用至少一种训练样本集中每种训练样本集对该候选模型进行训练，得到该候选模型针对不同训练样本集的预训练模型。
在本实施例中，使用步骤201中生成的候选模型，对多个候选模型在同样的数据集上进行模型训练，使用梯度下降的方法进行训练，模型同时优化两个指标(损失函数)，一个是年龄估计的Smooth L1损失函数，另一个是性别2分类的cross-entropy损失函数。针对不同数据规模的训练集，例如，10万张，50万张和100万张，分别对所有候选模型进行训练，如果没有验证集，则直接使用训练集统计识别准确率作为性能指标。如果有验证集，则在验证集(例如50万张规模)上对模型的每一个epoch进行性能评估和记录。
步骤204，根据每个候选模型针对不同训练样本集的预训练模型的性能为每个候选模型打分。
在本实施例中，对于每个候选模型，可将其对应的不同训练样本集的预训练模型的性能平均值作为该候选模型的性能得分，也可将不同训练样本集下预训练模型的性能的综合排序作为该候选模型的性能。如下表所示，括号里的数字表示在该训练样本集下性能排序：
可见候选模型A在三种训练样本集下得到的预训练模型的性能都排第一，得分最高。
也可计算不同模型在三种训练训练样本集下得到的预训练模型的性能的平均值，仍是候选模型A得分最高。
可根据候选模型的数量选择平均分算法或排序算法计算得分，例如，如果候选模型的数量大于预定阈值(例如100)，则可使用排序算法，在不同数据规模中性能排第一的次数最多的候选模型得分最高。如果候选模型的数量较小，则可采用性能平均分衡量得分。
可选地，性能指标除了包括准确率之外，还可以包括预测阶段的计算量和内存使用量，可以将多项性能指标综合打分。如果准确率最高的候选模型有多个，则可选择计算量和内存使用量较小的候选模型。
步骤205，利用数据规模大于第二阈值的训练样本集对打分最高的候选模型重新训练，得到年龄和性别识别模型。
在本实施例中，第二阈值大于第一阈值。数据规模大于第二阈值的训练样本集是用于训练精确的模型的。该步骤通过对模型在不同数据规模下的性能的分析，筛选出性能最好的单一模型作为最终模型并在大规模数据下进行重新训练。具体来说，对于上述步骤中生成的不同数据规模下的多个候选模型性能表现，选择在不同数据规模下都表现较好的单一模型作为最终模型结构。最后，在大规模的数据集(例如1000万张量级)上进行模型训练，训练方式同上，得到结果为训练完成的模型并进入下一阶段的应用部署。
本实施例中用于生成模型的方法，能够自动生成网络结构，使用单一卷积神经网络完成人脸的年龄估计和性别识别，便于部署并提高了运算效率，保证准确率的同时满足不同硬件的要求。
在本实施例的一些可选地实现方式中，从预设的基础网络结构模块集合中选择网络结构模块构建至少一个候选模型，包括：从预设的基础网络结构模块集合中选择网络结构模块组成基础模型；根据模型参数进行数学建模，将基础模型的结构表示为指数函数；根据指数函数对模型参数随机采样，得到至少一个候选模型。基础模型是一个由多个block组成并顺序只执行的网络结构，每个block包含多层操作，其中主要有常规卷积层，深度可分离卷积层，1x1卷积层，BN层，激活函数层等。
通过将网络的深度、宽度、可分离卷积的组数等参数进行数学建模，将模型结构表示为有四个参数构成的指数函数。在给定参数的情况下，利用该函数可以还原出对应的卷积神经网络结构。
网络由多个block组成，每个block的结构类似(例如，选择类似mobilenet v3的block结构，或随机生成block结构)，同时每个block的宽度随标号增加逐渐增加。具体可以按照以下公式首先计算未量化的宽度：
其中ω0是初始层宽度，k为“斜率”用以控制网络宽度的变化(k可以理解是宽度的一个“坡度”，针对整个网络的)，i代表每个block的标号，取值为0到b,其中b是网络总block数，即网络的深度。然后量化的网络宽度可以按以下公式得到：
其中p是系统参数。通过以上公式，一个网络结构可以由四个参数确定：b,ω0,p,k。随机生成网络时，可以通过在一定范围对这四个参数进行采样从而获得完整的网络结构，还可扩充其它参数，例如，分离卷积的组数等。量化是为了获得分段函数，这个函数可以使得几个连续的block使用相同的宽度(目的还是减少随机的范围)。从而能够得到有效的候选模型，减少筛选成本。
在本实施例的一些可选地实现方式中，在利用至少一种训练样本集中每种训练样本集对该候选模型进行训练之前，该方法还包括：计算该候选模型在网络预测阶段的运算量和内存使用量；若运算量和内存使用量不符合目标部署环境要求，则过滤掉该候选模型。可根据候选模型中加法运算符和乘法运算符的数量计算出该候选模型在网络预测阶段的运算量。根据卷积参数的数量计算出该候选模型在网络预测阶段的内存使用量。目标部署环境(手机、平板等终端设备)要求运算量小于运算量阈值并且内存使用量小于内存阈值，不同硬件配置的终端设备的运算量阈值和内存阈值不同。因此针对于移动端嵌入式设备和IOT设备，能够根据不同的硬件设备的计算要求自动生成对应的卷积网络模型结构，满足在边缘设备上的人脸年龄、性别分析需求。针对计算能力较弱的部署环境提供高效的人脸分析技术。针对不同的计算量、内存、时间等部署限制条件，能够自动生成网络结构，保证准确率的同时满足不同硬件的要求。
在本实施例的一些可选地实现方式中，根据每个候选模型针对不同训练样本集的预训练模型的性能为每个候选模型打分，包括：获取验证数据集，其中，验证数据集中每个验证数据包括人脸图像、年龄和性别标注信息；利用验证数据集对每个预训练模型进行性能评估，得到每个预训练模型的性能；对于每个候选模型，计算该候选模型的预训练模型的总体性能作为该候选模型的得分。验证数据集与训练样本集没有交集，因此能够更加准确地评估预训练模型的性能，评估过程与步骤204基本相同，因此不再赘述。使用验证数据集能够提到性能评估的准确性，从而筛选出性能好的网络结构，才能训练出性能好的年龄和性别识别模型。
在本实施例的一些可选地实现方式中，年龄和性别识别模型的损失函数包括年龄估计的平滑L1损失函数和性别二分类的交叉熵损失函数。这样可以在训练的过程中同时优化年龄估计算法的性能和性别估计算法的性能，使用单一卷积网络同时完成年龄估计和性别识别两项任务，提高了计算效率并且两个任务能够相互帮助提高准确率。
在本实施例的一些可选地实现方式中，基础网络结构模块集合包括以下至少一项：常规卷积层、深度可分离卷积层、1x1卷积层、批量归一化层，激活函数层、池化层、全连接层。可针对于移动端嵌入式设备和IOT设备，能够根据不同的硬件设备的计算要求自动生成对应的卷积网络模型结构，满足在边缘设备上的人脸年龄、性别分析需求。
进一步参见图3，图3是根据本实施例的用于生成模型的方法的一个应用场景的示意图。在图3的应用场景中，用户所使用的终端31上可以安装有模型训练类应用。当用户打开该应用，并上传训练样本集或训练样本集的存储路径(例如，3种用于预训练的小规模的训练样本集、1种用于重新训练的大规模的训练样本集、1种验证数据集)，终端还可上传部署环境要求的运算量阈值和内存阈值，对该应用提供后台支持的服务器32可以运行用于生成模型的方法，包括：
首先，服务器可随机生成一些候选模型A、B、C..N，然后计算每个候选模型的运算量和内存使用量。若运算量和内存使用量不符合目标部署环境要求，则过滤掉该候选模型。
其次，使用3种用于预训练的小规模的训练样本集，对每个候选模型进行预训练，得到预训练模型，以候选模型A举例，得到了预训练模型A1、A2、A3，然后使用验证数据集分别确定每个预训练模型的性能。然再确定每个候选模型的性能。
最后，将预训练模型性能最好的候选模型用大规模的训练样本集重新进行训练，得到年龄和性别识别模型。
继续参见图4，作为对上述各图所示方法的实现，本申请提供了一种用于生成模型的装置的一个实施例。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，本实施例的用于生成模型的装置400可以包括：构建单元401、获取单元402、预训练单元403、评分单元404、再训练单元405。其中，构建单元401，被配置成从预设的基础网络结构模块集合中选择网络结构模块构建至少一个候选模型；获取单元402，被配置成获取数据规模小于第一阈值的至少一种训练样本集，其中，训练样本集中每个训练样本包括样本人脸图像、年龄和性别标注信息；预训练单元403，被配置成对于至少一个候选模型中每个候选模型，利用至少一种训练样本集中每种训练样本集对该候选模型进行训练，得到该候选模型针对不同训练样本集的预训练模型；评分单元404，被配置成根据每个候选模型针对不同训练样本集的预训练模型的性能为每个候选模型打分；再训练单元405，被配置成利用数据规模大于第二阈值的训练样本集对打分最高的候选模型重新训练，得到年龄和性别识别模型，其中，第二阈值大于第一阈值。
在本实施例的一些可选的实现方式中，构建单元401进一步被配置成：从预设的基础网络结构模块集合中选择网络结构模块组成基础模型；根据模型参数进行数学建模，将基础模型的结构表示为指数函数；根据指数函数对模型参数随机采样，得到至少一个候选模型。
在本实施例的一些可选的实现方式中，装置400还包括过滤单元(附图中未示出)，被配置成：在利用至少一种训练样本集中每种训练样本集对该候选模型进行训练之前，计算该候选模型在网络预测阶段的运算量和内存使用量；若运算量和内存使用量不符合目标部署环境要求，则过滤掉该候选模型。
在本实施例的一些可选的实现方式中，评分单元404进一步被配置成：获取验证数据集，其中，验证数据集中每个验证数据包括人脸图像、年龄和性别标注信息；利用验证数据集对每个预训练模型进行性能评估，得到每个预训练模型的性能；对于每个候选模型，计算该候选模型的预训练模型的总体性能作为该候选模型的得分。
在本实施例的一些可选的实现方式中，年龄和性别识别模型的损失函数包括年龄估计的平滑L1损失函数和性别二分类的交叉熵损失函数。
在本实施例的一些可选的实现方式中，基础网络结构模块集合包括以下至少一项：常规卷积层、深度可分离卷积层、1x1卷积层、批量归一化层，激活函数层、池化层、全连接层。
可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。
请参见图5，其示出了本申请提供的用于识别年龄和性别的方法的一个实施例的流程500。该用于识别年龄和性别的方法可以包括以下步骤：
步骤501，获取待识别的目标用户的人脸图像。
在本实施例中，用于识别年龄和性别的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取目标用户的人脸图像。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的人脸图像。再例如，执行主体也可以接收终端(例如图1所示的终端101、102)或其他设备采集的人脸图像。
在本实施例中，检测对象可以是任意用户，例如使用终端的用户，或者出现在图像采集范围内的其他用户等。人脸图像同样可以是彩色图像和/或灰度图像等等。且该人脸图像的格式在本申请中也不限制。
步骤502，将人脸图像进行预处理。
在本实施例中，获得人脸照片，并按照构造训练样本阶段的预处理方式对人脸照片进行检测和对齐等操作。
步骤503，将预处理后的人脸图像输入预先训练的年龄和性别识别模型，输出目标用户的年龄和性别。
在本实施例中，执行主体可以将步骤501中获取的人脸图像输入预先训练的年龄和性别识别模型中，过模型的推理计算，返回人脸预测年龄值(实数)和性别分类(0或1)。
在本实施例中，年龄和性别识别模型可以是采用如上述图2实施例所描述的方法而生成的。具体生成过程可以参见图2实施例的相关描述，在此不再赘述。
需要说明的是，本实施例用于识别年龄和性别的方法可以用于测试上述各实施例所生成的年龄和性别识别模型。进而根据测试结果可以不断地优化年龄和性别识别模型。该方法也可以是上述各实施例所生成的年龄和性别识别模型的实际应用方法。采用上述各实施例所生成的年龄和性别识别模型，来进行人脸检测，有助于提高人脸检测的性能。
继续参见图6，作为对上述图5所示方法的实现，本申请提供了一种用于识别年龄和性别的装置的一个实施例。该装置实施例与图5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6所示，本实施例的用于识别年龄和性别的装置600可以包括：获取单元601、预处理单元602和识别单元603。其中，获取单元601，被配置成获取待识别的目标用户的人脸图像。预处理单元602，被配置成将所述人脸图像进行预处理。识别单元603，被配置成将预处理后的人脸图像输入预先训练的年龄和性别识别模型，输出所述目标用户的年龄和性别。
可以理解的是，该装置600中记载的诸单元与参考图5描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。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/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如方法用于生成模型和用于识别年龄和性别。例如，在一些实施例中，方法用于生成模型和用于识别年龄和性别可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的方法用于生成模型和用于识别年龄和性别的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法用于生成模型和用于识别年龄和性别。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。
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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (17)
1.一种用于生成模型的方法，包括：
从预设的基础网络结构模块集合中选择网络结构模块构建至少一个候选模型；
获取数据规模小于第一阈值的至少一种训练样本集，其中，训练样本集中每个训练样本包括样本人脸图像、年龄和性别标注信息；
对于所述至少一个候选模型中每个候选模型，利用所述至少一种训练样本集中每种训练样本集对该候选模型进行训练，得到该候选模型针对不同训练样本集的预训练模型；
根据每个候选模型针对不同训练样本集的预训练模型的性能为每个候选模型打分；
利用数据规模大于第二阈值的训练样本集对打分最高的候选模型重新训练，得到年龄和性别识别模型，其中，所述第二阈值大于所述第一阈值。
2.根据权利要求1所述的方法，其中，所述从预设的基础网络结构模块集合中选择网络结构模块构建至少一个候选模型，包括：
从预设的基础网络结构模块集合中选择网络结构模块组成基础模型；
根据模型参数进行数学建模，将基础模型的结构表示为指数函数；
根据所述指数函数对模型参数随机采样，得到至少一个候选模型。
3.根据权利要求1所述的方法，其中，在利用所述至少一种训练样本集中每种训练样本集对该候选模型进行训练之前，所述方法还包括：
计算该候选模型在网络预测阶段的运算量和内存使用量；
若运算量和内存使用量不符合目标部署环境要求，则过滤掉该候选模型。
4.根据权利要求1所述的方法，其中，所述根据每个候选模型针对不同训练样本集的预训练模型的性能为每个候选模型打分，包括：
获取验证数据集，其中，验证数据集中每个验证数据包括人脸图像、年龄和性别标注信息；
利用所述验证数据集对每个预训练模型进行性能评估，得到每个预训练模型的性能；
对于每个候选模型，计算该候选模型的预训练模型的总体性能作为该候选模型的得分。
5.根据权利要求1所述的方法，其中，所述年龄和性别识别模型的损失函数包括年龄估计的平滑L1损失函数和性别二分类的交叉熵损失函数。
6.根据权利要求1-5中任一项所述的方法，其中，所述基础网络结构模块集合包括以下至少一项：
常规卷积层、深度可分离卷积层、1x1卷积层、批量归一化层，激活函数层、池化层、全连接层。
7.一种用于识别年龄和性别的方法，包括：
获取待识别的目标用户的人脸图像；
将所述人脸图像进行预处理；
将预处理后的人脸图像输入根据权利要求1-6中任一项所述的方法训练的年龄和性别识别模型，输出所述目标用户的年龄和性别。
8.一种用于生成模型的装置，包括：
构建单元，被配置成从预设的基础网络结构模块集合中选择网络结构模块构建至少一个候选模型；
获取单元，被配置成获取数据规模小于第一阈值的至少一种训练样本集，其中，训练样本集中每个训练样本包括样本人脸图像、年龄和性别标注信息；
预训练单元，被配置成对于所述至少一个候选模型中每个候选模型，利用所述至少一种训练样本集中每种训练样本集对该候选模型进行训练，得到该候选模型针对不同训练样本集的预训练模型；
评分单元，被配置成根据每个候选模型针对不同训练样本集的预训练模型的性能为每个候选模型打分；
再训练单元，被配置成利用数据规模大于第二阈值的训练样本集对打分最高的候选模型重新训练，得到年龄和性别识别模型，其中，所述第二阈值大于所述第一阈值。
9.根据权利要求8所述的装置，其中，所述构建单元进一步被配置成：
从预设的基础网络结构模块集合中选择网络结构模块组成基础模型；
根据模型参数进行数学建模，将基础模型的结构表示为指数函数；
根据所述指数函数对模型参数随机采样，得到至少一个候选模型。
10.根据权利要求8所述的装置，其中，所述装置还包括过滤单元，被配置成：
在利用所述至少一种训练样本集中每种训练样本集对该候选模型进行训练之前，计算该候选模型在网络预测阶段的运算量和内存使用量；
若运算量和内存使用量不符合目标部署环境要求，则过滤掉该候选模型。
11.根据权利要求8所述的装置，其中，所述评分单元进一步被配置成：
获取验证数据集，其中，验证数据集中每个验证数据包括人脸图像、年龄和性别标注信息；
利用所述验证数据集对每个预训练模型进行性能评估，得到每个预训练模型的性能；
对于每个候选模型，计算该候选模型的预训练模型的总体性能作为该候选模型的得分。
12.根据权利要求8所述的装置，其中，所述年龄和性别识别模型的损失函数包括年龄估计的平滑L1损失函数和性别二分类的交叉熵损失函数。
13.根据权利要求8-12中任一项所述的装置，其中，所述基础网络结构模块集合包括以下至少一项：
常规卷积层、深度可分离卷积层、1x1卷积层、批量归一化层，激活函数层、池化层、全连接层。
14.一种用于识别年龄和性别的装置，包括：
获取单元，被配置成获取待识别的目标用户的人脸图像；
预处理单元，被配置成将所述人脸图像进行预处理；
识别单元，被配置成将预处理后的人脸图像输入根据权利要求1-6中任一项所述的装置训练的年龄和性别识别模型，输出所述目标用户的年龄和性别。
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，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110115808.4A CN112784778B (zh) | 2021-01-28 | 2021-01-28 | 生成模型并识别年龄和性别的方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110115808.4A CN112784778B (zh) | 2021-01-28 | 2021-01-28 | 生成模型并识别年龄和性别的方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112784778A true CN112784778A (zh) | 2021-05-11 |
| CN112784778B CN112784778B (zh) | 2024-04-09 |
Family
ID=75759298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110115808.4A Active CN112784778B (zh) | 2021-01-28 | 2021-01-28 | 生成模型并识别年龄和性别的方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784778B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113705628A (zh) * | 2021-08-06 | 2021-11-26 | 北京百度网讯科技有限公司 | 预训练模型的确定方法、装置、电子设备以及存储介质 |
| CN114037057A (zh) * | 2021-11-05 | 2022-02-11 | 北京百度网讯科技有限公司 | 预训练模型的生成方法、装置、电子设备以及存储介质 |
| CN114037058A (zh) * | 2021-11-05 | 2022-02-11 | 北京百度网讯科技有限公司 | 预训练模型的生成方法、装置、电子设备以及存储介质 |
| CN114221877A (zh) * | 2021-12-14 | 2022-03-22 | 中国联合网络通信集团有限公司 | 负载预测方法、装置、设备和计算机可读介质 |
| CN114443506A (zh) * | 2022-04-07 | 2022-05-06 | 浙江大学 | 一种用于测试人工智能模型的方法及装置 |
| WO2023097952A1 (zh) * | 2021-11-30 | 2023-06-08 | 上海商汤智能科技有限公司 | 预训练模型发布方法及装置、电子设备、存储介质和计算机程序产品 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190065906A1 (en) * | 2017-08-25 | 2019-02-28 | Baidu Online Network Technology (Beijing) Co., Ltd . | Method and apparatus for building human face recognition model, device and computer storage medium |
| CN110335237A (zh) * | 2019-05-06 | 2019-10-15 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法、装置和用于识别图像的方法、装置 |
| US20200302234A1 (en) * | 2019-03-22 | 2020-09-24 | Capital One Services, Llc | System and method for efficient generation of machine-learning models |
| CN111753911A (zh) * | 2020-06-28 | 2020-10-09 | 北京百度网讯科技有限公司 | 用于融合模型的方法和装置 |
| CN112257503A (zh) * | 2020-09-16 | 2021-01-22 | 深圳微步信息股份有限公司 | 一种性别年龄识别方法、装置及存储介质 |
-
2021
- 2021-01-28 CN CN202110115808.4A patent/CN112784778B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190065906A1 (en) * | 2017-08-25 | 2019-02-28 | Baidu Online Network Technology (Beijing) Co., Ltd . | Method and apparatus for building human face recognition model, device and computer storage medium |
| US20200302234A1 (en) * | 2019-03-22 | 2020-09-24 | Capital One Services, Llc | System and method for efficient generation of machine-learning models |
| CN110335237A (zh) * | 2019-05-06 | 2019-10-15 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法、装置和用于识别图像的方法、装置 |
| CN111753911A (zh) * | 2020-06-28 | 2020-10-09 | 北京百度网讯科技有限公司 | 用于融合模型的方法和装置 |
| CN112257503A (zh) * | 2020-09-16 | 2021-01-22 | 深圳微步信息股份有限公司 | 一种性别年龄识别方法、装置及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 李?;时斌斌;刘洋;张蕾;王晓华;: "基于改进YOLOv2模型的多目标识别方法", 激光与光电子学进展, no. 10 * |
| 董兰芳;张军挺;: "基于深度学习与随机森林的人脸年龄与性别分类研究", 计算机工程, no. 05 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113705628A (zh) * | 2021-08-06 | 2021-11-26 | 北京百度网讯科技有限公司 | 预训练模型的确定方法、装置、电子设备以及存储介质 |
| CN113705628B (zh) * | 2021-08-06 | 2024-02-06 | 北京百度网讯科技有限公司 | 预训练模型的确定方法、装置、电子设备以及存储介质 |
| CN114037057A (zh) * | 2021-11-05 | 2022-02-11 | 北京百度网讯科技有限公司 | 预训练模型的生成方法、装置、电子设备以及存储介质 |
| CN114037058A (zh) * | 2021-11-05 | 2022-02-11 | 北京百度网讯科技有限公司 | 预训练模型的生成方法、装置、电子设备以及存储介质 |
| CN114037057B (zh) * | 2021-11-05 | 2024-03-15 | 北京百度网讯科技有限公司 | 预训练模型的生成方法、装置、电子设备以及存储介质 |
| CN114037058B (zh) * | 2021-11-05 | 2024-05-17 | 北京百度网讯科技有限公司 | 预训练模型的生成方法、装置、电子设备以及存储介质 |
| WO2023097952A1 (zh) * | 2021-11-30 | 2023-06-08 | 上海商汤智能科技有限公司 | 预训练模型发布方法及装置、电子设备、存储介质和计算机程序产品 |
| CN114221877A (zh) * | 2021-12-14 | 2022-03-22 | 中国联合网络通信集团有限公司 | 负载预测方法、装置、设备和计算机可读介质 |
| CN114443506A (zh) * | 2022-04-07 | 2022-05-06 | 浙江大学 | 一种用于测试人工智能模型的方法及装置 |
| CN114443506B (zh) * | 2022-04-07 | 2022-06-10 | 浙江大学 | 一种用于测试人工智能模型的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112784778B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112784778B (zh) | 生成模型并识别年龄和性别的方法、装置、设备和介质 | |
| CN113326764B (zh) | 训练图像识别模型和图像识别的方法和装置 | |
| CN113657465B (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
| CN113255694B (zh) | 训练图像特征提取模型和提取图像特征的方法、装置 | |
| CN113971751A (zh) | 训练特征提取模型、检测相似图像的方法和装置 | |
| CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
| CN112861885B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN113379059B (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
| CN113378712A (zh) | 物体检测模型的训练方法、图像检测方法及其装置 | |
| CN112862005A (zh) | 视频的分类方法、装置、电子设备和存储介质 | |
| CN115631381A (zh) | 分类模型训练方法、图像分类方法、装置及电子设备 | |
| CN113177449A (zh) | 人脸识别的方法、装置、计算机设备及存储介质 | |
| CN113011309A (zh) | 图像识别方法、装置、设备、介质及程序产品 | |
| CN112650885A (zh) | 视频分类方法、装置、设备和介质 | |
| CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
| CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
| CN116578925B (zh) | 基于特征画像的行为预测方法、装置及存储介质 | |
| CN113792876B (zh) | 骨干网络的生成方法、装置、设备以及存储介质 | |
| CN113961765B (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
| CN112560848B (zh) | 兴趣点poi预训练模型的训练方法、装置及电子设备 | |
| CN114882334A (zh) | 用于生成预训练模型的方法、模型训练方法及装置 | |
| CN113378774A (zh) | 手势识别方法、装置、设备、存储介质以及程序产品 | |
| CN114842541A (zh) | 模型的训练及人脸识别方法、装置、设备以及存储介质 | |
| CN113449778A (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
| CN113255824A (zh) | 训练分类模型和数据分类的方法和装置 |
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 |