CN112926508B - 活体检测模型的训练方法和装置 - Google Patents
活体检测模型的训练方法和装置 Download PDFInfo
- Publication number
- CN112926508B CN112926508B CN202110317807.8A CN202110317807A CN112926508B CN 112926508 B CN112926508 B CN 112926508B CN 202110317807 A CN202110317807 A CN 202110317807A CN 112926508 B CN112926508 B CN 112926508B
- Authority
- CN
- China
- Prior art keywords
- loss
- training
- training sample
- living body
- 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.)
- Active
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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例提供了一种活体检测模型的训练方法和装置。根据该实施例的方法,首先获取至少两个训练样本对;在获取训练样本对时,先获取该训练样本对中的正样本,然后对该正样本进行伪造处理得到该训练样本对的负样本,其中,正样本被标注为真实人脸图像,负样本被被标注为伪造人脸图像;然后,将所述至少两个训练样本对输入到所述活体检测模型中;通过活体检测模型可以得到训练样本对中正样本的图像特征和负样本的图像特征,并根据得到的图像特征计算训练样本对的对比损失;最后,根据得到的各对比损失,训练所述活体检测模型。
Description
技术领域
本说明书一个或多个实施例涉及计算机技术领域,尤其涉及活体检测模型的训练方法和装置。
背景技术
活体检测是在线人脸身份认证中的一个重要步骤,一般利用活体检测模型来进行活体检测,以区分是真实的人脸还是伪造的人脸。
相关技术中,利用大量人脸图像作为训练样本来训练活体检测模型,这些人脸图像中有真实的人脸图像,也有伪造的人脸图像。但相关技术中训练的活体检测模型检测准确率较低。因此,希望提供一种检测准确率更高的活体检测模型。
发明内容
本说明书一个或多个实施例描述了活体检测模型的训练方法和装置,以提高活体检测的准确率。
根据第一方面,提供了一种活体检测模型的训练方法,包括:
获取至少两个训练样本对;每一个训练样本对包括一个被标注为真实人脸图像的正样本、一个被标注为伪造人脸图像的负样本;其中,每一个训练样本对中的负样本是对该训练样本对中的正样本进行伪造处理后得到的;
将所述至少两个训练样本对输入到所述活体检测模型中;
针对每一个训练样本对,获取由所述活体检测模型得到的该训练样本对中正样本的图像特征和负样本的图像特征;
根据该训练样本对中正样本的图像特征和负样本的图像特征,计算该训练样本对的对比损失;
根据得到的各对比损失,训练所述活体检测模型。
在一个实施例中,所述进行伪造处理包括如下中的至少一种:
对该正样本进行照片打印,并对打印出的照片进行拍照,得到拍照后的图像;
从屏幕上展示该正样本,并对该屏幕上展示的正样本进行拍照,得到拍照后的图像;
根据该正样本所包括的真实人脸图像,制作对应该真实人脸图像的面具,并对制作成的该面具进行拍照,得到拍照后的图像。
在一个实施例中,在所述得到拍照后的图像之后,进一步包括:对得到的该拍照后的图像执行如下处理中的至少一项:调整色度、调整亮度、调整对比度、调整饱和度和加噪声处理;
将处理后的图像确定为该训练样本对中的负样本。
在一个实施例中,所述根据得到的各对比损失,训练所述活体检测模型,包括:
根据得到的各对比损失,计算归一化对比损失;
判断归一化对比损失是否大于设定的第一损失阈值;
如果是,调整所述训练所述活体检测模型的参数,并返回执行所述活体检测模型的训练方法;
如果否,则结束对所述活体检测模型的训练。
在一个实施例中,所述计算该训练样本对的对比损失,包括:
利用如下计算式进行计算:
Lj=max(c-d(m1,m2),0)2
其中,Lj用于表征第j个训练样本对的对比损失,c用于表征设定阈值,d(m1,m2)用于表征该第j个训练样本对中正样本的图像特征m1与该训练样本对中负样本的图像特征m2的欧式距离,N用于表征所述活体检测模型对应的特征维度的数量;用于表征该第j个训练样本对中正样本在第i维的特征维度上的图像特征,用于表征该第j个训练样本对中负样本在第i维的特征维度上的图像特征。
在一个实施例中,在所述将所述至少两个训练样本对输入到所述活体检测模型中之后,在根据得到的各对比损失训练所述活体检测模型之前,进一步包括:
针对每一个训练样本对,获取由所述活体检测模型得到的该训练样本对中正样本的活体检测值和负样本的活体检测值;
计算该训练样本对中正样本的活体检测值与真实人脸图像对应的目标检测值之间的交叉熵损失,以及计算该训练样本对中负样本的活体检测值与伪造人脸图像对应的目标检测值之间的交叉熵损失;
所述根据得到的各对比损失训练所述活体检测模型,包括:
根据得到的各交叉熵损失以及所述各对比损失,训练所述活体检测模型。
在一个实施例中,所述真实人脸图像对应的目标检测值为1;
所述计算该训练样本对中正样本的活体检测值与真实人脸图像对应的目标检测值之间的交叉熵损失,包括:
利用如下计算式进行计算:
在一个实施例中,所述伪造人脸图像对应的目标检测值为0;
所述计算该训练样本对中负样本的活体检测值与伪造人脸图像的对应的目标检测值之间的交叉熵损失,包括:
利用如下计算式进行计算:
在一个实施例中,所述根据得到的各交叉熵损失以及所述各对比损失,训练所述活体检测模型,包括:
根据得到的各对比损失,计算归一化对比损失;
根据得到的各交叉熵损失,计算归一化交叉熵损失;
利用所述归一化对比损失和所述归一化交叉熵损失,计算总损失值;
判断所述总损失值是否大于设定的第二损失阈值;
如果是,调整所述训练所述活体检测模型的参数,并返回执行所述活体检测模型的训练方法;
如果否,则结束对所述活体检测模型的训练。
在一个实施例中,所述根据得到的各对比损失计算归一化对比损失,包括:
利用如下计算式进行计算:
其中,Loss(con1)用于表征归一化对比损失;M用于表征训练样本对的数量;Lk用于表征第k个训练样本对的对比损失。
在一个实施例中,所述根据得到的各交叉熵损失计算归一化交叉熵损失,包括:
其中,Loss(ce1)用于表征归一化交叉熵损失,Q用于表征训练样本对的数量,用于表征第t个训练样本对中正样本的活体检测值与真实人脸图像对应的目标检测值之间的交叉熵损失,用于表征第t个训练样本对中负样本的活体检测值与伪造人脸图像对应的目标检测值之间的交叉熵损失;
和/或,
所述利用归一化对比损失和归一化交叉熵损失计算总损失值,包括:
利用如下计算式进行计算:
Loss=aLoss(ce2)+bLoss(con2);
其中,Loss用于表征所述总损失值,a、b为预设的介于0与1之间的权重参数,Loss(ce2)用于表征归一化交叉熵损失,Loss(con2)用于表征归一化对比损失。
根据第二方面,提供了一种活体检测模型的训练装置,包括:
获取单元,配置为获取至少两个训练样本对;每一个训练样本对包括一个被标注为真实人脸图像的正样本、一个被标注为伪造人脸图像的负样本;其中,每一个训练样本对中的负样本是对该训练样本对中的正样本进行伪造处理后得到的;
样本输入单元,配置为将所述至少两个训练样本对输入到所述活体检测模型中;
对比损失确定单元,配置为针对每一个训练样本对,获取由所述活体检测模型得到的该训练样本对中正样本的图像特征和负样本的图像特征;根据该训练样本对中正样本的图像特征和负样本的图像特征,计算该训练样本对的对比损失;
模型训练单元,配置为根据得到的各对比损失,训练所述活体检测模型。
在一个实施例中,所述获取单元,在进行伪造处理时配置为:进行如下中的至少一种:
对该正样本进行照片打印,并对打印出的照片进行拍照,得到拍照后的图像;
从屏幕上展示该正样本,并对该屏幕上展示的正样本进行拍照,得到拍照后的图像;
根据该正样本所包括的真实人脸图像,制作对应该真实人脸图像的面具,并对制作成的该面具进行拍照,得到拍照后的图像。
在一个实施例中,所述获取单元,配置为在得到拍照后的图像之后,对得到的该拍照后的图像执行如下处理中的至少一项:调整色度、调整亮度、调整对比度、调整饱和度和加噪声处理;
将处理后的图像确定为该训练样本对中的负样本。
在一个实施例中,所述模型训练单元,配置为:
根据得到的各对比损失,计算归一化对比损失;
判断归一化对比损失是否大于设定的第一损失阈值;
如果是,调整所述训练所述活体检测模型的参数,并返回执行所述活体检测模型的训练方法;
如果否,则结束对所述活体检测模型的训练。
在一个实施例中,对比损失确定单元,在计算该训练样本对的对比损失时,配置为:
利用如下计算式进行计算:
Lj=max(c-d(m1,m2),0)2
其中,Lj用于表征第j个训练样本对的对比损失,c用于表征设定阈值,d(m1,m2)用于表征该第j个训练样本对中正样本的图像特征m1与该训练样本对中负样本的图像特征m2的欧式距离,N用于表征所述活体检测模型对应的特征维度的数量;用于表征该第j个训练样本对中正样本在第i维的特征维度上的图像特征,用于表征该第j个训练样本对中负样本在第i维的特征维度上的图像特征。
在一个实施例中,进一步包括:交叉熵损失确定单元,配置为在所述将所述至少两个训练样本对输入到所述活体检测模型中之后,在根据得到的各对比损失训练所述活体检测模型之前,
针对每一个训练样本对,获取由所述活体检测模型得到的该训练样本对中正样本的活体检测值和负样本的活体检测值;
计算该训练样本对中正样本的活体检测值与真实人脸图像对应的目标检测值之间的交叉熵损失,以及计算该训练样本对中负样本的活体检测值与伪造人脸图像对应的目标检测值之间的交叉熵损失;
所述模型训练单元,配置为:根据得到的各交叉熵损失以及所述各对比损失,训练所述活体检测模型。
在一个实施例中,所述真实人脸图像对应的目标检测值为1;
所述交叉熵损失确定单元,在计算该训练样本对中正样本的活体检测值与真实人脸图像对应的目标检测值之间的交叉熵损失时,配置为:
利用如下计算式进行计算:
在一个实施例中,所述伪造人脸图像对应的目标检测值为0;
所述交叉熵损失确定单元,在计算该训练样本对中负样本的活体检测值与伪造人脸图像的对应的目标检测值之间的交叉熵损失时,配置为:
利用如下计算式进行计算:
在一个实施例中,所述模型训练单元,配置为:
根据得到的各对比损失,计算归一化对比损失;
根据得到的各交叉熵损失,计算归一化交叉熵损失;
利用所述归一化对比损失和所述归一化交叉熵损失,计算总损失值;
判断所述总损失值是否大于设定的第二损失阈值;
如果是,调整所述训练所述活体检测模型的参数,并返回执行所述活体检测模型的训练方法;
如果否,则结束对所述活体检测模型的训练。
在一个实施例中,所述模型训练单元,在根据得到的各对比损失计算归一化对比损失时,配置为:
利用如下计算式进行计算:
其中,Loss(con1)用于表征归一化对比损失;M用于表征训练样本对的数量;Lk用于表征第k个训练样本对的对比损失。
在一个实施例中,所述模型训练单元,在根据得到的各交叉熵损失计算归一化交叉熵损失时,配置为:
其中,Loss(ce1)用于表征归一化交叉熵损失,Q用于表征训练样本对的数量,用于表征第t个训练样本对中正样本的活体检测值与真实人脸图像对应的目标检测值之间的交叉熵损失,用于表征第t个训练样本对中负样本的活体检测值与伪造人脸图像对应的目标检测值之间的交叉熵损失;
和/或,
所述模型训练单元,在利用归一化对比损失和归一化交叉熵损失计算总损失值时,配置为:
利用如下计算式进行计算:
Loss=aLoss(ce2)+bLoss(con2);
其中,Loss用于表征所述总损失值,a、b为预设的介于0与1之间的权重参数,Loss(ce2)用于表征归一化交叉熵损失,Loss(con2)用于表征归一化对比损失。
根据第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行本说明书任一实施例所述的方法。
根据第四方面,提供了一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现本说明书任一实施例所述的方法。
在本说明书实施例提供的活体检测模型的训练方法和装置中,采用训练样本对的形式训练活体检测模型,每一个训练样本对中包括一个被标注为真实人脸图像的正样本和一个被标注为伪造人脸图像的负样本,且每一个训练样本对中的负样本是对该训练样本对中的正样本进行伪造处理后得到的,在将至少两个训练样本对输入到活体检测模型中之后,通过计算训练样本对的对比损失来训练活体检测模型,使得活体检测模型更加关注正样本和负样本之间有差异的特征,进而可以提高活体检测模型的检测准确率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本说明书的一些实施例,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是本说明书一个实施例提供的活体检测模型的训练方法的流程图;
图2是本说明书另一个实施例提供的活体检测模型的训练方法的流程图;
图3是本说明书又一个实施例提供的活体检测模型的训练方法的流程图;
图4是本说明书一个实施例中活体检测模型的训练装置的示意图;
图5是本说明书另一个实施例中活体检测模型的训练装置的示意图。
具体实施方式
下面结合附图,对本说明书提供的方案进行描述。
相关技术中,利用大量人脸图像作为训练样本来训练活体检测模型,这些人脸图像中有真实的人脸图像,也有伪造的人脸图像,活体检测模型根据真实的人脸图像学习真实人脸图像的特征,以及根据伪造的人脸图像学习伪造人脸图像的特征,但是相关技术中活体检测模型在学习真实人脸图像的特征和伪造人脸图像的特征时,是独立进行学习的,导致以此方式训练得到的活体检测模型学习到的特征不够稳定,进而影响活体检测的准确率。如果要提高活体检测的准确率,就需要让活体检测模型充分学习到伪造人脸图像与真实人脸图像之间的差异特征,可以考虑让真实人脸图像和根据该真实人脸图像变形后得到的伪造人脸图像作为一个训练样本对,以训练样本对的形式训练活体检测模型,以使活体检测模型更加关注训练样本对中的两个图像不一样的地方,从而学习到伪造人脸图像相对于真实人脸图像有差异的特征。
下面描述以上构思的具体实现方式。
图1示出根据一个实施例的活体检测模型的训练方法的流程图。可以理解,该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。参见图1,此后,具体的实现包括:
步骤100:获取至少两个训练样本对;每一个训练样本对包括一个被标注为真实人脸图像的正样本、一个被标注为伪造人脸图像的负样本;其中,每一个训练样本对中的负样本是对该训练样本对中的正样本进行伪造处理后得到的。
步骤102:将所述至少两个训练样本对输入到所述活体检测模型中。
步骤104:针对每一个训练样本对,获取由所述活体检测模型得到的该训练样本对中正样本的图像特征和负样本的图像特征。
步骤106:根据该训练样本对中正样本的图像特征和负样本的图像特征,计算该训练样本对的对比损失。
步骤108:根据得到的各对比损失,训练所述活体检测模型。
在图1所示的活体检测模型的训练方法中,采用训练样本对的形式训练活体检测模型,每一个训练样本对中包括一个被标注为真实人脸图像的正样本和一个被标注为伪造人脸图像的负样本,且每一个训练样本对中的负样本是对该训练样本对中的正样本进行伪造处理后得到的,在将至少两个训练样本对输入到活体检测模型中之后,通过计算训练样本对的对比损失来训练活体检测模型,使得活体检测模型更加关注正样本和负样本之间有差异的特征,进而可以提高活体检测模型的检测准确率。
下面描述图1所示的各个步骤的实现方式。
在步骤100,获取至少两个训练样本对;每一个训练样本对包括一个被标注为真实人脸图像的正样本、一个被标注为伪造人脸图像的负样本;其中,每一个训练样本对中的负样本是对该训练样本对中的正样本进行伪造处理后得到的。
在本说明书实施例中,首先需要获取一批真实人脸图像,将获取的该真实人脸图像作为训练样本对中的正样本,获取的真实人脸图像的个数可以为至少两个。其中,该真实人脸图像是针对活体进行拍照得到的图像,且拍照得到的图像中包含整个人脸信息。
在获取真实人脸图像时,可以是使用摄像装置对活体的人脸图像进行采集,也可以是从网络上获取活体的人脸图像,或者是直接从本地存储的活体的人脸图像库中获取,或者通过其他可以获取到活体的人脸图像的途径获取。
在本说明书实施例中,为了保证训练样本对中正样本和负样本之间的关联性,可以对训练样本对中的正样本进行伪造处理,得到该训练样本对中的负样本。
在本说明书的一个实施例中,对训练样本对中的正样本进行伪造处理,可以包括如下中的至少一种:
A1、对该正样本进行照片打印,并对打印出的照片进行拍照,得到拍照后的图像。
A2、从屏幕上展示该正样本,并对该屏幕上展示的正样本进行拍照,得到拍照后的图像。
A3、根据该正样本所包括的真实人脸图像,制作对应该真实人脸图像的面具,并对制作成的该面具进行拍照,得到拍照后的图像。
在A1的伪造处理方式中,在将正样本进行照片打印时,可以将正样本的照片打印在各种不同的材质上,从而丰富负样本的图像类型。例如,将正样本的照片打印在纸张、玻璃、陶瓷、木板、塑料、皮革等材质上。
在A2的伪造处理方式中,如果展示正样本的屏幕,其材质、分辨率等不同时,展示效果也会存在不同,因此,为了丰富负样本的图像类型,可以从不同材质不同分辨率的屏幕上展示该正样本,例如,薄膜场效应晶体管(Thin Film Transistor,TFT)屏幕、薄膜二极管(Thin Film Diode,TFD)屏幕、UFB(Ultra Fine Bright)屏幕等。
在A3的伪造处理方式中,也可以丰富制作对应该真实人脸图像的面具所使用的材质,例如,橡胶,氯乙烯树脂等。
需要说明的是,上述三种伪造处理方式是本说明书实施例举例列举的,除上述三种伪造处理方式以外,还可以包括其他伪造处理方式,从而根据正样本得到负样本。
在本说明书的一个实施例中,在上述得到拍照后的图像之后,为了使得负样本更接近真实情况,以及丰富负样本的图像类型,可以进一步包括:对得到的该拍照后的图像执行如下处理中的至少一项:调整色度、调整亮度、调整对比度、调整饱和度和加噪声处理;
将处理后的图像确定为该训练样本对中的负样本。
以上,在将真实人脸图像进行伪造处理后得到的处理后的图像确定为该训练样本对中的负样本,将该真实人脸图像确定为该训练样本对中的正样本,并且,需要将该正样本标注为真实人脸图像,将该负样本标注为伪造人脸图像,通过该标注,活体检测模型可以区分哪些是真实人脸图像,哪些是伪造人脸图像。
针对步骤102~步骤106,将至少两个训练样本对输入到所述活体检测模型中;针对每一个训练样本对,获取由所述活体检测模型得到的该训练样本对中正样本的图像特征和负样本的图像特征;根据该训练样本对中正样本的图像特征和负样本的图像特征,计算该训练样本对的对比损失。
在本说明书的实施例中,该训练的活体检测模型可以使用ResNet、Xception、MobileNet等神经网络来实现。
其中,该活体检测模型至少包括特征提取层,该特征提取层用于针对输入的训练样本对中的正样本和负样本分别进行特征提取,得到每一个训练样本对中正样本的图像特征和负样本的图像特征。
针对每一个样本对,在提取出正样本的图像特征和负样本的图像特征之后,需要计算该训练样本的对比损失,其中,该对比损失是一种降维学习方法,它可以学习一种映射关系,这种映射关系可以使得在高维空间中,相同类别但距离较远的点,通过函数映射到低维空间后,距离变近,不同类别但距离都较近的点,通过映射后在低维空间变得更远。这样的结果就是,在低维空间,同一种类的点会产生聚类的效果,不同种类的点会隔开。由于输入的训练样本对中的正样本和负样本属于不同类别,因此,需要计算训练样本对的对比损失,希望能够将该训练样本对中的正样本和负样本在低维空间的距离拉大,从而更加显著地体现正样本与负样本之间的差别。
在本说明书的一个实施例中,负样本相对于正样本可能会出现差异特征,例如,在步骤100中对训练样本对中的正样本进行A1所示的伪造处理时,得到的拍照后的图像中可能存在打印照片的边框,或者,在对打印照片进行拍照时,打印照片上存在反光,因此,得到的拍照后的图像中也会存在反光;再如,在步骤100中对训练样本对中的正样本进行A2所示的伪造处理时,在对屏幕上展示的正样本进行拍照时,若拍照角度不是正对屏幕,那么得到的拍照后的图像会相对于正样本发生畸变,另外,在使用摄像设备对屏幕进行拍照时,摄像设备中感光元件像素的空间频率与屏幕所展示正样本中条纹的空间频率接近时,可能会产生摩尔纹。综上,负样本相对于正样本可能会出现如下至少一种差异特征:边框、反光、畸变和摩尔纹。
在本说明书的一个实施例中,在计算该训练样本对的对比损失时,至少可以利用如下第一计算式进行计算:
Lj=max(c-d(m1,m2),0)2
其中,Lj用于表征第j个训练样本对的对比损失,c用于表征设定阈值,d(m1,m2)用于表征该第j个训练样本对中正样本的图像特征m1与该训练样本对中负样本的图像特征m2的欧式距离,N用于表征所述活体检测模型对应的特征维度的数量;用于表征该第j个训练样本对中正样本在第i维的特征维度上的图像特征,用于表征该第j个训练样本对中负样本在第i维的特征维度上的图像特征。
由于对比损失是针对训练样本对计算得到的,那么,如果输入到活体检测模型中的训练样本对的数量为M(为大于等于2的整数)个,那么可以计算得到M个对比损失的值。
在步骤108中,根据得到的各对比损失,训练所述活体检测模型。
训练活体检测模型的目的,是使得活体检测模型在输入一个图像后,能够输出对应该图像正确的分类结果,而在训练过程中,可以依据计算得到的损失参数,来确定是否结束活体检测模型的训练。在本说明书实施例中,该依据的损失参数至少可以对应如下两种情况:
情况一:损失参数仅包括对比损失。
情况二:损失参数包括对比损失和其他损失参数。
下面针对损失参数分别对应上述两种情况时,对步骤108进行说明。
针对情况一:
在该情况一下,损失参数仅包括对比损失,请参考图2,该步骤108中,所述根据得到的各对比损失,训练所述活体检测模型,可以包括以下步骤:
步骤1080:根据得到的各对比损失,计算归一化对比损失。
假设向训练活体检测模型中输入的训练样本对的数量为M个,那么需要根据这M个对比损失来衡量是否结束对活体检测模型的训练。具体地,可以根据得到的M个对比损失计算归一化对比损失,并利用该归一化对比损失来衡量是否结束对活体检测模型的训练。
在本说明书的一个实施例中,在计算归一化对比损失时,至少可以使用如下第二计算式进行计算:
其中,Loss(con1)用于表征归一化对比损失;M用于表征训练样本对的数量;Lk用于表征第k个训练样本对的对比损失。
需要说明的是,该第k个训练样本对的对比损失,可以使用上述第一计算式计算得到,也可以是利用其他计算式计算得到,该其他计算式可以是对第一计算式的简单变形,例如,在对第一计算式进行简单变形后,可以得到如下Lk:
Lk=f*max(c-d(m1,m2),0)2+e
其中,e、f均为自然数;c用于表征设定阈值,d(m1,m2)用于表征该第k个训练样本对中正样本的图像特征m1与该训练样本对中负样本的图像特征m2的欧式距离,N用于表征所述活体检测模型对应的特征维度的数量;用于表征该第k个训练样本对中正样本在第i维的特征维度上的图像特征,用于表征该第k个训练样本对中负样本在第i维的特征维度上的图像特征。
步骤1082:判断归一化对比损失是否大于设定的第一损失阈值,如果是,执行步骤1084,如果否,执行步骤1086。
其中,该设定的第一损失阈值可以根据经验值获得。
步骤1084:调整所述训练所述活体检测模型的参数,并返回执行所述活体检测模型的训练方法。
可以理解,活体检测模型中包括有多个参数,用来执行对输入图像的特征提取、分类等,从而输出活体检测结果,参数的取值不同,那么会影响活体检测模型输出的活体检测结果,因此,需要不断调整活体检测模型的参数,以使得活体检测模型的输出结果更加准确。
在归一化对比损失大于设定的第一损失阈值时,表明此时的活体检测模型还需要继续进行训练,那么需要返回执行活体检测模型的训练方法,即上述任一个实施例中所述的步骤100-108。此时,在返回执行步骤100时,获取的至少两个训练样本对可以是上一批输入的训练样本对,也可以重新获取一批训练样本对,以利用重新获取的训练样本对进行本次训练。
步骤1086:结束对所述活体检测模型的训练。
在归一化对比损失不大于设定的第一损失阈值时,表明此时的活体检测模型输出的活体检测结果的准确率已经达到可以接受的范围,那么可以结束对活体检测模型的训练。
以上完成了在情况一下损失参数仅包括对比损失时,对步骤108的说明。下面针对情况二继续对步骤108进行说明。
针对情况二:
在该情况二下,损失参数包括对比损失和其他损失参数。其中,该其他损失参数至少可以包括交叉熵损失。那么,该损失参数包括对比损失和交叉熵损失。
在该情况二下,该活体检测模型的训练方法,在所述将所述至少两个训练样本对输入到所述活体检测模型中之后,在根据得到的各对比损失训练所述活体检测模型之前,可以进一步包括:
S1:针对每一个训练样本对,获取由所述活体检测模型得到的该训练样本对中正样本的活体检测值和负样本的活体检测值;
S2:计算该训练样本对中正样本的活体检测值与真实人脸图像对应的目标检测值之间的交叉熵损失,以及计算该训练样本对中负样本的活体检测值与伪造人脸图像对应的目标检测值之间的交叉熵损失。
该情况二下,该步骤108,包括:根据得到的各交叉熵损失以及所述各对比损失,训练所述活体检测模型。
在步骤S1中,假设输入到活体检测模型中的训练样本对的数量为M,那么表明输入到活体检测模型中的正样本的数量为M个,负样本的数量为M个。活体检测模型针对每一个训练样本对中的正样本输出正样本的活体检测值,针对负样本输出负样本的活体检测值。其中,该活体检测值为活体检测模型对该图像进行计算属于真实人脸图像的概率值。
在步骤S2中,针对每一个训练样本对,需要计算两个交叉熵损失,第一个交叉熵损失对应正样本,即计算该训练样本对中正样本的活体检测值与真实人脸图像对应的目标检测值的交叉熵损失;第二交叉熵损失对应负样本,即计算该训练样本对中负样本的活体检测值与伪造人脸图像对应的目标检测值之间的交叉熵损失。
在本说明书一个实施例中,在步骤S2中计算对应正样本的交叉熵损失时,由于输入到活体检测模型中的训练样本对中的正样本标注有真实人脸图像,那么活体检测模块可以确定该真实人脸图像对应的目标检测值为1,在计算该训练样本对中正样本的活体检测值与真实人脸图像对应的目标检测值之间的交叉熵损失时,至少可以通过如下第三计算式进行计算:
在本说明书一个实施例中,在步骤S2中计算对应负样本的交叉熵损失时,由于输入到活体检测模型中的训练样本对中的负样本标注有伪造人脸图像,那么活体检测模块可以确定该伪造人脸图像对应的目标检测值为0,在计算该训练样本对中负样本的活体检测值与伪造人脸图像的对应的目标检测值之间的交叉熵损失时,至少可以通过如下第四计算式进行计算:
以上,在假设输入到活体检测模型中的训练样本对的数量为M个时,可以计算得到M个对应正样本的交叉熵损失和M个对应负样本的交叉熵损失。
在本说明书一个实施例中,针对情况二,损失参数包括对比损失和交叉熵损失,请参考图3,该步骤108中,所述根据得到的各交叉熵损失以及所述各对比损失,训练所述活体检测模型,可以包括以下步骤:
步骤1081:根据得到的各对比损失,计算归一化对比损失。
在本说明书的一个实施例中,在计算归一化对比损失时,可以使用上述第二计算式进行计算得到,也可以使用其他计算式计算得到,该其他计算式可以是对第二计算式的简单变形,例如,在对第二计算式进行简单变形后,可以得到如下第五计算式:
其中g、h均为自然数,Loss(con3)用于表征归一化对比损失;M用于表征训练样本对的数量;Lk用于表征第k个训练样本对的对比损失。
步骤1083:根据得到的各交叉熵损失,计算归一化交叉熵损失。
在本说明书的一个实施例中,在计算归一化交叉熵损失时,至少可以使用如下第六计算式进行计算:
其中,Loss(ce1)用于表征归一化交叉熵损失,Q用于表征训练样本对的数量,用于表征第t个训练样本对中正样本的活体检测值与真实人脸图像对应的目标检测值之间的交叉熵损失,用于表征第t个训练样本对中负样本的活体检测值与伪造人脸图像对应的目标检测值之间的交叉熵损失。
需要说明的是,该第t个训练样本对中正样本的活体检测值与真实人脸图像对应的目标检测值之间的交叉熵损失可以使用上述第三计算式计算得到,也可以是利用其他计算式计算得到,该其他计算式可以是对第三计算式的简单变形,例如,在对第三计算式进行简单变形后,可以得到如下
其中,l、o均为自然数,Pt +用于表征该第t个训练样本对中正样本的活体检测值。
需要说明的是,该第t个训练样本对中负样本的活体检测值与伪造人脸图像对应的目标检测值之间的交叉熵损失可以使用上述第四计算式计算得到,也可以是利用其他计算式计算得到,该其他计算式可以是对第四计算式的简单变形,例如,在对第四计算式进行简单变形后,可以得到如下
其中,q、r均为自然数,Pt -用于表征该第t个训练样本对中负样本的活体检测值。
步骤1085:利用所述归一化对比损失和所述归一化交叉熵损失,计算总损失值。
在本说明书一个实施例中,在计算总损失值时,至少可以利用如下第七计算式进行计算:
Loss=aLoss(ce2)+bLoss(con2);
其中,Loss用于表征所述总损失值,a、b为预设的介于0与1之间的权重参数,Loss(ce2)用于表征归一化交叉熵损失,Loss(con2)用于表征归一化对比损失。
需要说明的是,该归一化交叉熵损失Loss(ce2)可以使用上述第六计算式计算得到,也可以使用其他计算式得到,该其他计算式可以是对第六计算式进行简单变形之后利用简单变形后的计算式计算得到。
需要说明的是,该归一化对比损失Loss(con2)可以使用上述第二计算式计算得到,也可以使用上述第五计算式得到,或者使用其他计算式得到。
在本说明书实施例中,权重参数a、b的值可以根据经验值确定。具体地,权重参数a、b的取值可以根据交叉熵损失和对比损失对活体检测模型输出结果的影响程度来确定,例如,对比损失相对于交叉熵损失对活体检测模型输出结果的影响程度要大,那么b的取值可以大于a的取值。
步骤1087:判断所述总损失值是否大于设定的第二损失阈值,如果是,执行步骤1089;如果否,执行步骤10811。
其中,该设定的第二损失阈值可以根据经验值获得。
步骤1089:调整所述训练所述活体检测模型的参数,并返回执行所述活体检测模型的训练方法。
步骤10811:结束对所述活体检测模型的训练。
对步骤1089-10911的描述与对步骤1084-1086的描述同理,在此不再赘述。
以上完成了在情况二下损失参数包括对比损失和交叉熵损失时,对步骤108的说明。
在上述说明书实施例中,采用训练样本对的形式训练活体检测模型,每一个训练样本对中包括一个被标注为真实人脸图像的正样本和一个被标注为伪造人脸图像的负样本,且每一个训练样本对中的负样本是对该训练样本对中的正样本进行伪造处理后得到的,在将至少两个训练样本对输入到活体检测模型中之后,通过计算训练样本对的对比损失来训练活体检测模型,使得活体检测模型更加关注正样本和负样本之间有差异的特征,进而可以提高活体检测模型的检测准确率。
另一方面的实施例,还提供了一种活体检测模型的训练装置。如图4示出一个实施例的活体检测模型的训练装置。可以理解,该装置可以通过任何具有计算、处理能力的装置、设备、平台和设备集群来实现。如图4所示,该装置40包括:
获取单元41,配置为获取至少两个训练样本对;每一个训练样本对包括一个被标注为真实人脸图像的正样本、一个被标注为伪造人脸图像的负样本;其中,每一个训练样本对中的负样本是对该训练样本对中的正样本进行伪造处理后得到的;
样本输入单元42,配置为将所述至少两个训练样本对输入到所述活体检测模型中;
对比损失确定单元43,配置为针对每一个训练样本对,获取由所述活体检测模型得到的该训练样本对中正样本的图像特征和负样本的图像特征;根据该训练样本对中正样本的图像特征和负样本的图像特征,计算该训练样本对的对比损失;
模型训练单元44,配置为根据得到的各对比损失,训练所述活体检测模型。
一种可能的实施方式中,所述获取单元41,在进行伪造处理时配置为:进行如下中的至少一种:
对该正样本进行照片打印,并对打印出的照片进行拍照,得到拍照后的图像;
从屏幕上展示该正样本,并对该屏幕上展示的正样本进行拍照,得到拍照后的图像;
根据该正样本所包括的真实人脸图像,制作对应该真实人脸图像的面具,并对制作成的该面具进行拍照,得到拍照后的图像。
一种可能的实施方式中,所述获取单元41,配置为在得到拍照后的图像之后,对得到的该拍照后的图像执行如下处理中的至少一项:调整色度、调整亮度、调整对比度、调整饱和度和加噪声处理;
将处理后的图像确定为该训练样本对中的负样本。
一种可能的实施方式中,所述模型训练单元44,配置为:
根据得到的各对比损失,计算归一化对比损失;
判断归一化对比损失是否大于设定的第一损失阈值;
如果是,调整所述训练所述活体检测模型的参数,并返回执行所述活体检测模型的训练方法;
如果否,则结束对所述活体检测模型的训练。
一种可能的实施方式中,对比损失确定单元43,在计算该训练样本对的对比损失时,配置为:
利用如下计算式进行计算:
Lj=max(c-d(m1,m2),0)2
其中,Lj用于表征第j个训练样本对的对比损失,c用于表征设定阈值,d(m1,m2)用于表征该第j个训练样本对中正样本的图像特征m1与该训练样本对中负样本的图像特征m2的欧式距离,N用于表征所述活体检测模型对应的特征维度的数量;用于表征该第j个训练样本对中正样本在第i维的特征维度上的图像特征,用于表征该第j个训练样本对中负样本在第i维的特征维度上的图像特征。
一种可能的实施方式中,请参考图5,该装置40可以进一步包括:交叉熵损失确定单元45,配置为在所述将所述至少两个训练样本对输入到所述活体检测模型中之后,在根据得到的各对比损失训练所述活体检测模型之前,
针对每一个训练样本对,获取由所述活体检测模型得到的该训练样本对中正样本的活体检测值和负样本的活体检测值;
计算该训练样本对中正样本的活体检测值与真实人脸图像对应的目标检测值之间的交叉熵损失,以及计算该训练样本对中负样本的活体检测值与伪造人脸图像对应的目标检测值之间的交叉熵损失;
所述模型训练单元,配置为:根据得到的各交叉熵损失以及所述各对比损失,训练所述活体检测模型。
一种可能的实施方式中,所述真实人脸图像对应的目标检测值为1;
所述交叉熵损失确定单元45,在计算该训练样本对中正样本的活体检测值与真实人脸图像对应的目标检测值之间的交叉熵损失时,配置为:
利用如下计算式进行计算:
一种可能的实施方式中,所述伪造人脸图像对应的目标检测值为0;
所述交叉熵损失确定单元45,在计算该训练样本对中负样本的活体检测值与伪造人脸图像的对应的目标检测值之间的交叉熵损失时,配置为:
利用如下计算式进行计算:
一种可能的实施方式中,所述模型训练单元44,配置为:
根据得到的各对比损失,计算归一化对比损失;
根据得到的各交叉熵损失,计算归一化交叉熵损失;
利用所述归一化对比损失和所述归一化交叉熵损失,计算总损失值;
判断所述总损失值是否大于设定的第二损失阈值;
如果是,调整所述训练所述活体检测模型的参数,并返回执行所述活体检测模型的训练方法;
如果否,则结束对所述活体检测模型的训练。
一种可能的实施方式中,所述模型训练单元44,在根据得到的各对比损失计算归一化对比损失时,配置为:
利用如下计算式进行计算:
其中,Loss(con1)用于表征归一化对比损失;M用于表征训练样本对的数量;Lk用于表征第k个训练样本对的对比损失。
一种可能的实施方式中,所述模型训练单元44,在根据得到的各交叉熵损失计算归一化交叉熵损失时,配置为:
其中,Loss(ce1)用于表征归一化交叉熵损失,Q用于表征训练样本对的数量,用于表征第t个训练样本对中正样本的活体检测值与真实人脸图像对应的目标检测值之间的交叉熵损失,用于表征第t个训练样本对中负样本的活体检测值与伪造人脸图像对应的目标检测值之间的交叉熵损失;
一种可能的实施方式中,所述模型训练单元44,在利用归一化对比损失和归一化交叉熵损失计算总损失值时,配置为:
利用如下计算式进行计算:
Loss=aLoss(ce2)+bLoss(con2);
其中,Loss用于表征所述总损失值,a、b为预设的介于0与1之间的权重参数,Loss(ce2)用于表征归一化交叉熵损失,Loss(con2)用于表征归一化对比损失。
需要说明的是,本说明书实施例示意的结构并不构成对活体检测模型的训练装置的具体限定。在说明书的另一些实施例中,活体检测模型的训练装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各单元之间的信息交互、执行过程等内容,由于与本说明书方法实施例基于同一构思,具体内容可参见本说明书方法实施例中的叙述,此处不再赘述。
本说明书一个实施例提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行说明书中任一个实施例中的方法。
本说明书一个实施例提供了一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现执行说明书中任一个实施例中的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、挂件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (22)
1.活体检测模型的训练方法,包括:
获取至少两个训练样本对;每一个训练样本对包括一个被标注为真实人脸图像的正样本、一个被标注为伪造人脸图像的负样本;其中,每一个训练样本对中的负样本是对该训练样本对中的正样本进行伪造处理后得到的;
将所述至少两个训练样本对输入到所述活体检测模型中;
针对每一个训练样本对,获取由所述活体检测模型得到的该训练样本对中正样本的图像特征和负样本的图像特征;
根据该训练样本对中正样本的图像特征和负样本的图像特征,计算该训练样本对的对比损失;
根据得到的各对比损失,训练所述活体检测模型;
在所述将所述至少两个训练样本对输入到所述活体检测模型中之后,在根据得到的各对比损失训练所述活体检测模型之前,进一步包括:
针对每一个训练样本对,获取由所述活体检测模型得到的该训练样本对中正样本的活体检测值和负样本的活体检测值;
计算该训练样本对中正样本的活体检测值与真实人脸图像对应的目标检测值之间的交叉熵损失,以及计算该训练样本对中负样本的活体检测值与伪造人脸图像对应的目标检测值之间的交叉熵损失;
所述根据得到的各对比损失训练所述活体检测模型,包括:
根据得到的各交叉熵损失以及所述各对比损失,训练所述活体检测模型。
2.根据权利要求1所述的方法,其中,所述进行伪造处理包括如下中的至少一种:
对该正样本进行照片打印,并对打印出的照片进行拍照,得到拍照后的图像;
从屏幕上展示该正样本,并对该屏幕上展示的正样本进行拍照,得到拍照后的图像;
根据该正样本所包括的真实人脸图像,制作对应该真实人脸图像的面具,并对制作成的该面具进行拍照,得到拍照后的图像。
3.根据权利要求2所述的方法,其中,在所述得到拍照后的图像之后,进一步包括:对得到的该拍照后的图像执行如下处理中的至少一项:调整色度、调整亮度、调整对比度、调整饱和度和加噪声处理;
将处理后的图像确定为该训练样本对中的负样本。
4.根据权利要求1所述的方法,其中,所述根据得到的各对比损失,训练所述活体检测模型,包括:
根据得到的各对比损失,计算归一化对比损失;
判断归一化对比损失是否大于设定的第一损失阈值;
如果是,调整所述训练所述活体检测模型的参数,并返回执行所述活体检测模型的训练方法;
如果否,则结束对所述活体检测模型的训练。
8.根据权利要求1所述的方法,其中,所述根据得到的各交叉熵损失以及所述各对比损失,训练所述活体检测模型,包括:
根据得到的各对比损失,计算归一化对比损失;
根据得到的各交叉熵损失,计算归一化交叉熵损失;
利用所述归一化对比损失和所述归一化交叉熵损失,计算总损失值;
判断所述总损失值是否大于设定的第二损失阈值;
如果是,调整所述训练所述活体检测模型的参数,并返回执行所述活体检测模型的训练方法;
如果否,则结束对所述活体检测模型的训练。
10.根据权利要求8所述的方法,其中,
所述根据得到的各交叉熵损失计算归一化交叉熵损失,包括:
其中,Loss(ce1)用于表征归一化交叉熵损失,Q用于表征训练样本对的数量,用于表征第t个训练样本对中正样本的活体检测值与真实人脸图像对应的目标检测值之间的交叉熵损失,用于表征第t个训练样本对中负样本的活体检测值与伪造人脸图像对应的目标检测值之间的交叉熵损失;
和/或,
所述利用归一化对比损失和归一化交叉熵损失计算总损失值,包括:
利用如下计算式进行计算:
Loss=aLoss(ce2)+bLoss(con2);
其中,Loss用于表征所述总损失值,a、b为预设的介于0与1之间的权重参数,Loss(ce2)用于表征归一化交叉熵损失,Loss(con2)用于表征归一化对比损失。
11.活体检测模型的训练装置,包括:
获取单元,配置为获取至少两个训练样本对;每一个训练样本对包括一个被标注为真实人脸图像的正样本、一个被标注为伪造人脸图像的负样本;其中,每一个训练样本对中的负样本是对该训练样本对中的正样本进行伪造处理后得到的;
样本输入单元,配置为将所述至少两个训练样本对输入到所述活体检测模型中;
对比损失确定单元,配置为针对每一个训练样本对,获取由所述活体检测模型得到的该训练样本对中正样本的图像特征和负样本的图像特征;根据该训练样本对中正样本的图像特征和负样本的图像特征,计算该训练样本对的对比损失;
模型训练单元,配置为根据得到的各对比损失,训练所述活体检测模型;
进一步包括:交叉熵损失确定单元,配置为在所述将所述至少两个训练样本对输入到所述活体检测模型中之后,在根据得到的各对比损失训练所述活体检测模型之前,
针对每一个训练样本对,获取由所述活体检测模型得到的该训练样本对中正样本的活体检测值和负样本的活体检测值;
计算该训练样本对中正样本的活体检测值与真实人脸图像对应的目标检测值之间的交叉熵损失,以及计算该训练样本对中负样本的活体检测值与伪造人脸图像对应的目标检测值之间的交叉熵损失;
所述模型训练单元,配置为:根据得到的各交叉熵损失以及所述各对比损失,训练所述活体检测模型。
12.根据权利要求11所述的装置,其中,所述获取单元,在进行伪造处理时配置为:进行如下中的至少一种:
对该正样本进行照片打印,并对打印出的照片进行拍照,得到拍照后的图像;
从屏幕上展示该正样本,并对该屏幕上展示的正样本进行拍照,得到拍照后的图像;
根据该正样本所包括的真实人脸图像,制作对应该真实人脸图像的面具,并对制作成的该面具进行拍照,得到拍照后的图像。
13.根据权利要求12所述的装置,其中,所述获取单元,配置为在得到拍照后的图像之后,对得到的该拍照后的图像执行如下处理中的至少一项:调整色度、调整亮度、调整对比度、调整饱和度和加噪声处理;
将处理后的图像确定为该训练样本对中的负样本。
14.根据权利要求11所述的装置,其中,所述模型训练单元,配置为:
根据得到的各对比损失,计算归一化对比损失;
判断归一化对比损失是否大于设定的第一损失阈值;
如果是,调整所述训练所述活体检测模型的参数,并返回执行所述活体检测模型的训练方法;
如果否,则结束对所述活体检测模型的训练。
18.根据权利要求11所述的装置,其中,所述模型训练单元,配置为:
根据得到的各对比损失,计算归一化对比损失;
根据得到的各交叉熵损失,计算归一化交叉熵损失;
利用所述归一化对比损失和所述归一化交叉熵损失,计算总损失值;
判断所述总损失值是否大于设定的第二损失阈值;
如果是,调整所述训练所述活体检测模型的参数,并返回执行所述活体检测模型的训练方法;
如果否,则结束对所述活体检测模型的训练。
20.根据权利要求11所述的装置,其中,所述模型训练单元,在根据得到的各交叉熵损失计算归一化交叉熵损失时,配置为:
其中,Loss(ce1)用于表征归一化交叉熵损失,Q用于表征训练样本对的数量,用于表征第t个训练样本对中正样本的活体检测值与真实人脸图像对应的目标检测值之间的交叉熵损失,用于表征第t个训练样本对中负样本的活体检测值与伪造人脸图像对应的目标检测值之间的交叉熵损失;
和/或,
所述模型训练单元,在利用归一化对比损失和归一化交叉熵损失计算总损失值时,配置为:
利用如下计算式进行计算:
Loss=aLoss(ce2)+bLoss(con2);
其中,Loss用于表征所述总损失值,a、b为预设的介于0与1之间的权重参数,Loss(ce2)用于表征归一化交叉熵损失,Loss(con2)用于表征归一化对比损失。
21.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-10中任一项所述的方法。
22.一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110317807.8A CN112926508B (zh) | 2021-03-25 | 2021-03-25 | 活体检测模型的训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110317807.8A CN112926508B (zh) | 2021-03-25 | 2021-03-25 | 活体检测模型的训练方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926508A CN112926508A (zh) | 2021-06-08 |
CN112926508B true CN112926508B (zh) | 2022-07-19 |
Family
ID=76175959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110317807.8A Active CN112926508B (zh) | 2021-03-25 | 2021-03-25 | 活体检测模型的训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926508B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762138B (zh) * | 2021-09-02 | 2024-04-23 | 恒安嘉新(北京)科技股份公司 | 伪造人脸图片的识别方法、装置、计算机设备及存储介质 |
CN116884077B (zh) * | 2023-09-04 | 2023-12-08 | 上海任意门科技有限公司 | 一种人脸图像类别确定方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182394A (zh) * | 2017-12-22 | 2018-06-19 | 浙江大华技术股份有限公司 | 卷积神经网络的训练方法、人脸识别方法及装置 |
CN111753729A (zh) * | 2020-06-24 | 2020-10-09 | 西安深信科创信息技术有限公司 | 一种假脸检测方法、装置、电子设备及存储介质 |
CN112215043A (zh) * | 2019-07-12 | 2021-01-12 | 普天信息技术有限公司 | 一种人脸活体检测方法 |
CN112232384A (zh) * | 2020-09-27 | 2021-01-15 | 北京迈格威科技有限公司 | 模型训练方法、图像特征提取方法、目标检测方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183347A (zh) * | 2020-09-28 | 2021-01-05 | 中国平安人寿保险股份有限公司 | 基于深度空间梯度的活体检测方法、装置、设备及介质 |
-
2021
- 2021-03-25 CN CN202110317807.8A patent/CN112926508B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182394A (zh) * | 2017-12-22 | 2018-06-19 | 浙江大华技术股份有限公司 | 卷积神经网络的训练方法、人脸识别方法及装置 |
CN112215043A (zh) * | 2019-07-12 | 2021-01-12 | 普天信息技术有限公司 | 一种人脸活体检测方法 |
CN111753729A (zh) * | 2020-06-24 | 2020-10-09 | 西安深信科创信息技术有限公司 | 一种假脸检测方法、装置、电子设备及存储介质 |
CN112232384A (zh) * | 2020-09-27 | 2021-01-15 | 北京迈格威科技有限公司 | 模型训练方法、图像特征提取方法、目标检测方法和装置 |
Non-Patent Citations (1)
Title |
---|
人脸识别损失函数简析;LBJandYPW;《https://zhuanlan.zhihu.com/p/128970124》;20200412;1-10 * |
Also Published As
Publication number | Publication date |
---|---|
CN112926508A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270347B (zh) | 一种基于改进ssd的医疗废弃物分类检测方法 | |
CN107798299B (zh) | 票据信息识别方法、电子装置及可读存储介质 | |
CN108154102B (zh) | 一种道路交通标志识别方法 | |
CN112926508B (zh) | 活体检测模型的训练方法和装置 | |
AU2017209231A1 (en) | Method, system, device and readable storage medium for realizing insurance claim fraud prevention based on consistency between multiple images | |
US20160335523A1 (en) | Method and apparatus for detecting incorrect associations between keypoints of a first image and keypoints of a second image | |
CN110956080B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
KR102434703B1 (ko) | 생체 이미지 처리 방법 및 이를 포함한 장치 | |
CN112651333B (zh) | 静默活体检测方法、装置、终端设备和存储介质 | |
CN111814821A (zh) | 深度学习模型的建立方法、样本处理方法及装置 | |
CN112257538A (zh) | 基于双目深度信息的活体检测方法、设备及存储介质 | |
CN112699811B (zh) | 活体检测方法、装置、设备、储存介质及程序产品 | |
CN113033305B (zh) | 活体检测方法、装置、终端设备和存储介质 | |
CN116934747B (zh) | 眼底图像分割模型训练方法、设备和青光眼辅助诊断系统 | |
CN113283466A (zh) | 一种仪表读数识别方法及装置、可读存储介质 | |
CN116309465B (zh) | 一种基于改进的YOLOv5的自然环境下舌像检测定位方法 | |
CN117133041A (zh) | 一种基于深度学习的三维重建网络人脸识别方法、系统、设备及介质 | |
CN114842486A (zh) | 一种手写化学结构式识别方法、系统、存储介质以及设备 | |
CN115187791A (zh) | 一种融合颜色和尺度特征的orb图像匹配方法 | |
CN111553249B (zh) | 一种cv下基于h-b分级的精准面瘫程度评测方法及装置 | |
CN111428679B (zh) | 影像识别方法、装置和设备 | |
Bi et al. | Multi-object Paper Money Recognition Technology Based on AlexNet Model | |
CN116453185A (zh) | 基于考场的身份识别方法、装置、电子设备及存储介质 | |
WO2023143468A1 (zh) | 人脸识别网络训练方法、人脸识别方法、装置和存储介质 | |
CN117746018A (zh) | 面向平面扫描图像的用户定制化意图理解方法及系统 |
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 |