CN113158900A - 人脸活体检测模型的训练方法、装置、设备及存储介质 - Google Patents
人脸活体检测模型的训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113158900A CN113158900A CN202110436488.2A CN202110436488A CN113158900A CN 113158900 A CN113158900 A CN 113158900A CN 202110436488 A CN202110436488 A CN 202110436488A CN 113158900 A CN113158900 A CN 113158900A
- Authority
- CN
- China
- Prior art keywords
- living body
- detection model
- human face
- training
- face living
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 204
- 238000012549 training Methods 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000006870 function Effects 0.000 claims description 83
- 238000001727 in vivo Methods 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 210000000746 body region Anatomy 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人脸活体检测模型的训练方法，应用于人工智能技术领域，用于解决目前的人脸活体检测模型无法进一步显示出判定该人脸图像为非活体的具体区域，导致人工核查效率低的技术问题。本发明提供的方法包括：获取原始样本图像；根据预设的尺寸从原始样本图像的非人脸活体样本图像中随机截取包括有非活体嫌疑区域的局部图像；通过该原始样本图像对人脸活体检测模型进行第一阶段训练；当该人脸活体检测模型的损失函数在第一阶段训练收敛时，通过该局部图像对该人脸活体检测模型进行第二阶段训练；当该人脸活体检测模型的损失函数在第二阶段训练收敛时，得到训练好的人脸活体检测模型。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种人脸活体检测模型的训练方法、装置、设备及存储介质。
背景技术
在人脸活体检测的场景中，线下人脸活体检测的业务员需要面对复杂、冗长、繁琐的步骤，他们不仅要花大量的时间来核查，而且在业务量高峰期不是无法满足时效就是漏检高风险案件。这样的用户体验不仅浪费用户的时间而且增加业务流程的机会成本与服务成本，同时，随着手机的更新换代与欺诈手段的层出不穷，如何实时准确与高效的通过数字化风控证件翻拍检测系统对人脸活体进行检测是迫切需要解决的问题。
目前的人脸活体检测主要分为两类：指令式的活体检测与静默式的活体检测。目前这种人脸活体检测的缺陷在于用于活体检测的模型由于缺乏足够多的真实业务数据来做模型训练与测试，公开的实验室数据大多与真实业务场景的数据口径不一致而导致模型在有些真实场景下无法使用，且现有的活体检测模型对于新型的攻击类型缺乏鲁棒性，目前的活体检测模型在检测出非人脸活体时，受限于模型结构及模型的训练方式，只能输出该待测人脸图像是否为活体人脸的最终结果，不能给出判断为非人脸活体的原因，工作人员在对识别出的非人脸活体进行核查时，需要耗费大量的时间来人工核查。
发明内容
本发明实施例提供一种人脸活体检测模型的训练方法、装置、设备及存储介质，以解决目前的人脸活体检测模型无法进一步显示出判定该人脸图像为非活体的具体区域，导致人工核查效率低的技术问题。
一种人脸活体检测模型的训练方法，该方法包括：
获取包括有人脸活体样本图像和非人脸活体样本图像的原始样本图像；
根据预设的尺寸从该非人脸活体样本图像中随机截取包括有非活体嫌疑区域的局部图像，该预设的尺寸的最大边长小于该非人脸活体样本图像的尺寸的最小边长；
通过该原始样本图像对人脸活体检测模型进行第一阶段训练；
当该人脸活体检测模型的损失函数在第一阶段训练收敛时，通过该局部图像对该人脸活体检测模型进行第二阶段训练；
当该人脸活体检测模型的损失函数在第二阶段训练收敛时，得到训练好的人脸活体检测模型。
一种人脸活体检测模型的训练装置，该装置包括：
样本获取模块，用于获取包括有人脸活体样本图像和非人脸活体样本图像的原始样本图像；
图像截取模块，用于根据预设的尺寸从该非人脸活体样本图像中随机截取包括有非活体嫌疑区域的局部图像，该预设的尺寸的最大边长小于该非人脸活体样本图像的尺寸的最小边长；
第一训练模块，用于通过该原始样本图像对人脸活体检测模型进行第一阶段训练；
第二训练模块，用于当该人脸活体检测模型的损失函数在第一阶段训练收敛时，通过该局部图像对该人脸活体检测模型进行第二阶段训练；
收敛模块，用于当该人脸活体检测模型的损失函数在第二阶段训练收敛时，得到训练好的人脸活体检测模型。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述人脸活体检测模型的训练方法的步骤。
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程序，所述计算机程序被处理器执行时实现上述人脸活体检测模型的训练方法的步骤。
本发明提出的人脸活体检测模型的训练方法、装置、设备及存储介质，获取包括有人脸活体样本图像和非人脸活体样本图像的原始样本图像，并根据预设的尺寸从该非人脸活体样本图像中随机截取包括有非活体嫌疑区域的局部图像，先通过完整的原始样本图像对该人脸活体检测模型进行第一阶段训练，第一训练阶段结束后，再通过截取的包括有非活体嫌疑区域的局部图像对该人脸活体检测模型进行第二阶段训练，使得训练好的人脸活体检测模型在对人脸图像进行检测时，不仅可以检测出待检测的人脸图像是否为活体人脸，当识别出非活体人脸时能够同时显示非活体的具体嫌疑区域，从而使得工作人员在对识别出的非人脸活体进行核查时，能够一目了然地定位到该非活体人脸图像中具体的嫌疑区域，提高人工核查的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中人脸活体检测模型的训练方法的一应用环境示意图；
图2是本发明一实施例中人脸活体检测模型的训练方法的一流程图；
图3是本发明一实施例中通过该原始样本图像对人脸活体检测模型进行第一阶段训练的一流程图；
图4是本发明一实施例中通过该局部图像对该人脸活体检测模型进行第二阶段训练的一流程图；
图5是本发明一实施例中人脸活体检测模型的训练装置的结构示意图；
图6是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请提供的人脸活体检测模型的训练方法，可应用在如图1的应用环境中，其中，该计算机设备可以通过网络与服务器进行通信。该计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。该服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种人脸活体检测模型的训练方法，以该方法应用在图1中的计算机设备为例进行说明，包括如下步骤S101至S105。
S101、获取包括有人脸活体样本图像和非人脸活体样本图像的原始样本图像。
可以理解的是，该原始样本图像携带有是否为人脸活体的标注，用户还可以通过对非人脸活体样本图像中的非活体嫌疑区域的局部图像进行标注。其中，该非活体嫌疑区域的局部图像例如闭合的眼部区域、将人脸图像包围的手机边框区域、电视机边框区域、投影仪边框区域等。
S102、根据预设的尺寸，从所述非人脸活体样本图像中随机截取包括有非活体嫌疑区域的局部图像，所述预设的尺寸的最大边长小于所述非人脸活体样本图像的尺寸的最小边长。
在其中一个实施例中，所述预设的尺寸优选为正方形的尺寸，该正方形的边长大小优选为该原始样本图像最大边长的八分之一，例如，原始样本图像的最大边长为256，则该预设的正方形的边长尺寸可以为32，进一步地，该正方形的边长还可以是64、96、128、160、224等等。
对于活体的样本图像，与对非活体的样本图像做相同的处理，得到的各个边长的数量分布来对每个图做随机区域抽样。
S103、通过所述原始样本图像对人脸活体检测模型进行第一阶段训练。
在其中一个实施例中，当所述原始样本图像中人脸活体样本图像和非人脸活体样本图像的比例基本平衡时，该人脸活体检测模型优选使用二值交叉熵作为该人脸活体检测模型的损失函数，当所述原始样本图像中人脸活体样本图像和非人脸活体样本图像的比例极不平衡时，该人脸活体检测模型优选使用聚焦损失或者标签分布自适应边际损失作为该人脸活体检测模型的损失函数。
其中，人脸活体样本图像和非人脸活体样本图像的比例基本平衡的情况例如人脸活体样本图像和非人脸活体样本图像的比例在1:1左右，人脸活体样本图像和非人脸活体样本图像的比例极不平衡的情况例如人脸活体样本图像和非人脸活体样本图像的比例小于1:3或者大于3:1。进一步地，当人脸活体样本图像和非人脸活体样本图像的比例在1/3至3之间时，判定该人脸活体样本图像和非人脸活体样本图像的比例基本平衡。
本实施例通过针对不同类型比例的原始样本图像选用对应的损失函数，使得训练出的人脸活体检测模型的预测准确性与真实预测场景更相似，提高人脸活体检测模型的预测准确性。
图3是本发明一实施例中通过该原始样本图像对人脸活体检测模型进行第一阶段训练的一流程图，进一步地，如图3所示，所述对人脸活体检测模型进行第一阶段训练的步骤包括以下步骤S301至S305：
S301、获取所述原始样本图像中包括有所述人脸活体样本图像和所述非人脸活体样本图像的总样本数量；
S302、获取所述总样本数量的预设比例，所述预设比例小于1且大于0；
S303、所述人脸活体检测模型的损失函数对在先输入的所述总样本数量中预设比例数量的样本图像选用自适应学习率机制进行训练；
S304、所述人脸活体检测模型的损失函数对在后输入的所述总样本数量中的剩余样本图像选用cosine衰减学习率进行训练；
S305、当所述人脸活体检测模型的损失函数在第一阶段选用cosine衰减学习率进行训练至所述损失函数收敛时，判断所述人脸活体检测模型在第一阶段训练完成。
本实施例通过在第一阶段对在先输入的所述总样本数量中预设比例数量的样本图像选用自适应学习率机制进行训练，对在后输入的所述总样本数量中的剩余样本图像选用cosine衰减学习率进行训练，在不同阶段选用对应的学习率进行训练，可以提高该人脸活体检测模型的损失函数的收敛速度。
在其中一个实施例中，判断所述人脸活体检测模型的损失函数在第一阶段训练是否收敛的步骤包括：
通过梯度下降法判断所述人脸活体检测模型的损失函数在第一阶段训练是否收敛。
可以理解的是，当通过梯度下降法得到输入该人脸活体检测模型的N个epochs的损失下降到一定水平，且输出稳定，即波动很小时，即可判断该人脸活体检测模型的损失函数在第一阶段训练收敛。
S104、当所述人脸活体检测模型的损失函数在第一阶段训练收敛时，通过所述局部图像对所述人脸活体检测模型进行第二阶段训练。
图4是本发明一实施例中通过该局部图像对该人脸活体检测模型进行第二阶段训练的一流程图，进一步地，如图4所示，所述对人脸活体检测模型进行第二阶段训练的步骤包括以下步骤S401和S402：
S401、所述人脸活体检测模型的损失函数在第二阶段对输入的所述局部图像选用cosine衰减学习率进行训练；
S402、当所述人脸活体检测模型的损失函数在第二阶段选用cosine衰减学习率进行训练至所述损失函数收敛时，通过随机梯度下降优化器SGD(stochastic gradientdescent)对所述人脸活体检测模型进行优化，直到所述人脸活体检测模型的损失函数再次收敛。
本实施例通过在训练的第二阶段先选用cosine衰减学习率对该人脸活体检测模型的损失函数进行训练，使得该人脸活体检测模型的损失函数快速拟合，当该人脸活体检测模型的损失函数在第二阶段选用cosine衰减学习率进行训练至所述损失函数收敛时，通过随机梯度下降优化器SGD对所述人脸活体检测模型进行优化，直到所述人脸活体检测模型的损失函数再次收敛，可以在使得人脸活体检测模型的损失函数最终收敛的情况下，进一步提高该人脸活体检测模型的损失函数的收敛速度。
在其中一个实施例中，所述通过所述局部图像对所述人脸活体检测模型进行第二阶段训练的步骤包括：
将所述局部图像输入至所述人脸活体检测模型的全卷积神经网络；
通过所述全卷积神经网络的最后一个卷积输出所述局部图像的分数图；
将所述局部图像的分数图输入至所述全卷积神经网络的池化层，得到所述局部图像的检测分数；
对所述局部图像的检测分数进行最大最小标准化处理，得到标准分数；
对所述标准分数进行二值化处理，得到标注有非活体嫌疑区域的与所述局部图像相对应的二值图。
可以理解的是将训练数据集喂入全卷积神经网络后在最后一个卷积的输出是一个H*W*1的分数图记作S，再将这个检测分数图通过全局池化层后便可以得到检测分数，在模型达到收敛后，保存这里的训练样本的所有分数图并记作{Sn}。
进一步地，通过以下公式对所述分数图进行最大最小标准化处理：
其中，S表示输出的所述局部图像的检测分数，min(S)表示各个局部图像中最小的检测分数，max(S)表示各个局部图像中最大的检测分数。可以理解的是，通过该公式计算出的S’也可以用S’(i，j)表示。
本实施例通过对所述分数图进行最大最小标准化处理，可以去除掉检测分数中的噪音，使得最终得到的二值图与标注有非活体嫌疑区域的局部图像更加符合。
进一步地，所述对所述标准分数进行二值化处理的步骤包括：
当所述标准分数大于等于预设分值时，将与所述局部图像相对应的二值图标记为1，当所述标准分数小于所述预设分值时，将与所述局部图像相对应的二值图标记为0。
其中，对所述标准分数进行二值化处理的过程可用以下公式进行描述：
其中，α表示所述预设分值，α为可调节参数，一般可以设置为0.5，M(i，j)＝1时，表示对应区域标注为非活体嫌疑区域，M(i，j)＝0时，表示对应区域标注为活体区域。
S105、当所述人脸活体检测模型的损失函数在第二阶段训练收敛时，得到训练好的人脸活体检测模型。
在其中一个实施例中，判断所述人脸活体检测模型的损失函数在第二阶段训练是否收敛的步骤包括：
通过MCC(Matthew Correlation Coefficient，马太相关系数)变体判断所述人脸活体检测模型的损失函数在第二阶段训练是否收敛。
可以理解的是，马太相关系数MCC是衡量二元分类器对不同大小的数据集分类质量的一个平衡指标，可以通过MCC变体判断所述人脸活体检测模型的损失函数在第二阶段训练是否收敛。
进一步地，所述通过MCC变体判断所述人脸活体检测模型的损失函数在第二阶段训练是否收敛的步骤包括以下步骤(1)至(3)。
(1)、通过混淆矩阵记录每个所述局部图像是否为非活体嫌疑区域的真实值和预测值。其中，混淆矩阵的示意图如下表格(1)所示：
(1)
可以理解的是，当真实值与预测值均为0时，表示所述局部图像的真实值与预测值均为活体区域，用“TN”表示这一情况；当真实值与预测值均为1时，表示该局部图像的真实值与预测值均为非活体嫌疑区域，用“TP”表示这一情况；当预测值为0但真实值为1时，表示所述局部图像的真实值为非活体嫌疑区域但预测值为活体区域，用“FN”表示这一情况；当真实值为0但预测值为1时，表示所述局部图像的真实值为活体区域但预测值为非活体嫌疑区域，用“FP”表示这一情况。
(2)、结合所述混淆矩阵，通过以下公式计算MCC变体的取值：
其中，β为预设值，可以人为调节，当Informedness的重要性较大时，可以调小β的取值，当Markedness的重要性更大时，可以调大β的取值。
进一步地：
Informedness＝r+invp-1；
Markedness＝p+invp-1。
其中，r表示召回率，p表示精准率，精准率
召回率
可以理解的是，该公式中的TP、FP、FN、FP均表示该混淆矩阵中对应符号的数量。
(3)、当结合各所述局部图像的混淆矩阵计算出的所述MCC变体的取值的变化量小于预设值时，判断所述人脸活体检测模型的损失函数在第二阶段训练收敛。
可以理解的是，混淆矩阵是解释MCC变体的出发点，通过调节beta便可以调节informedness在模型评价迭代的重要性，目前很多算法的迭代是基于损失或者基于准确率，但是这些评价标准在模型缺乏数据与标签极不平衡的情况下表现差于本案提到的MCC变体。通过调节beta(即参数β),MCC变体还有利于模型在各个优化方向的探索。
通过本实施例训练好的人脸活体检测模型在对人脸图像进行检测时，不仅可以检测出待检测的人脸图像是否为活体人脸，当识别出非活体人脸时，通过该模型中应用的二值化处理能够得到标注有非活体的具体嫌疑区域，使得当检测出待检测的人脸图像为非活体人脸图像时能够同时显示非活体的具体嫌疑区域。
本实施例提出的人脸活体检测模型的训练方法，首先获取包括有人脸活体样本图像和非人脸活体样本图像的原始样本图像，并根据预设的尺寸从该非人脸活体样本图像中随机截取包括有非活体嫌疑区域的局部图像，先通过完整的原始样本图像对该人脸活体检测模型进行第一阶段训练，第一训练阶段结束后，再通过截取的包括有非活体嫌疑区域的局部图像对该人脸活体检测模型进行第二阶段训练，使得训练好的人脸活体检测模型在对人脸图像进行检测时，不仅可以检测出待检测的人脸图像是否为活体人脸，当识别出非活体人脸时能够同时显示非活体的具体嫌疑区域，从而使得工作人员在对识别出的非人脸活体进行核查时，能够一目了然地定位到该非活体人脸图像中具体的嫌疑区域，提高人工核查的效率。
通过实验发现，通过本实施例提出的人脸活体检测模型能根据用户上传的身份证正面在平均50毫秒内判断与反馈客户的活体置信概率与分数图，在线拦截的事后模型检测误判在数百万数据的检验后表明，通过本实施例训练出的人脸活体检测模型可以在99.3％的概率下识别疑似手机边框与图像不自然扭曲等人工判断为明显非活体的样本，该人脸活体检测模型可以覆盖87％以上的业务非活体特征场景并且经过测试后对40％的新型攻击表现良好。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种人脸活体检测模型的训练装置，该人脸活体检测模型的训练装置与上述实施例中人脸活体检测模型的训练方法一一对应。如图5所示，该人脸活体检测模型的训练装置100包括样本获取模块11、图像截取模块12、第一训练模块13、第二训练模块14和收敛模块15。各功能模块详细说明如下：
样本获取模块11，用于获取包括有人脸活体样本图像和非人脸活体样本图像的原始样本图像；
图像截取模块12，用于根据预设的尺寸从该非人脸活体样本图像中随机截取包括有非活体嫌疑区域的局部图像，该预设的尺寸的最大边长小于该非人脸活体样本图像的尺寸的最小边长；
第一训练模块13，用于通过该原始样本图像对人脸活体检测模型进行第一阶段训练；
第二训练模块14，用于当该人脸活体检测模型的损失函数在第一阶段训练收敛时，通过该局部图像对该人脸活体检测模型进行第二阶段训练；
收敛模块15，用于当该人脸活体检测模型的损失函数在第二阶段训练收敛时，得到训练好的人脸活体检测模型。
在其中一个实施例中，当所述原始样本图像中人脸活体样本图像和非人脸活体样本图像的比例基本平衡时，该人脸活体检测模型优选使用二值交叉熵作为该人脸活体检测模型的损失函数，当所述原始样本图像中人脸活体样本图像和非人脸活体样本图像的比例极不平衡时，该人脸活体检测模型优选使用聚焦损失或者标签分布自适应边际损失作为该人脸活体检测模型的损失函数。
本实施例通过针对不同类型比例的原始样本图像选用对应的损失函数，使得训练出的人脸活体检测模型的预测准确性与真实预测场景更相似，提高人脸活体检测模型的预测准确性。
在其中一个实施例中，该第一训练模块13包括：
样本数量获取单元，用于获取该原始样本图像中包括有该人脸活体样本图像和该非人脸活体样本图像的总样本数量；
比例获取单元，用于获取该总样本数量的预设比例，该预设比例小于1且大于0；
第一训练单元，用于该人脸活体检测模型的损失函数对在先输入的该总样本数量中预设比例数量的样本图像选用自适应学习率机制进行训练；
第二训练单元，用于该人脸活体检测模型的损失函数对在后输入的该总样本数量中的剩余样本图像选用cosine衰减学习率进行训练；
第一判断单元，用于当该人脸活体检测模型的损失函数在第一阶段选用cosine衰减学习率进行训练至该损失函数收敛时，判断该人脸活体检测模型在第一阶段训练完成。
本实施例通过在第一阶段对在先输入的所述总样本数量中预设比例数量的样本图像选用自适应学习率机制进行训练，对在后输入的所述总样本数量中的剩余样本图像选用cosine衰减学习率进行训练，在不同阶段选用对应的学习率进行训练，可以提高该人脸活体检测模型的损失函数的收敛速度。
进一步地，该第二训练模块14具体用于通过梯度下降法判断该人脸活体检测模型的损失函数在第一阶段训练是否收敛。
在其中一个实施例中，该第二训练模块14具体包括：
第三训练单元，用于该人脸活体检测模型的损失函数在第二阶段对输入的该局部图像选用cosine衰减学习率进行训练；
第四训练单元，用于当该人脸活体检测模型的损失函数在第二阶段选用cosine衰减学习率进行训练至该损失函数收敛时，通过随机梯度下降优化器SGD对该人脸活体检测模型进行优化，直到该人脸活体检测模型的损失函数再次收敛。
本实施例通过在训练的第二阶段先选用cosine衰减学习率对该人脸活体检测模型的损失函数进行训练，使得该人脸活体检测模型的损失函数快速拟合，当该人脸活体检测模型的损失函数在第二阶段选用cosine衰减学习率进行训练至所述损失函数收敛时，通过随机梯度下降优化器SGD对所述人脸活体检测模型进行优化，直到所述人脸活体检测模型的损失函数再次收敛，可以在使得人脸活体检测模型的损失函数最终收敛的情况下，进一步提高该人脸活体检测模型的损失函数的收敛速度。
进一步地，该第二训练模块14还包括：
分数图输出单元，用于将该局部图像输入至该人脸活体检测模型的全卷积神经网络，通过该全卷积神经网络的最后一个卷积输出该局部图像的分数图；
池化单元，用于将该局部图像的分数图输入至该全卷积神经网络的池化层，得到该局部图像的检测分数；
标准化处理单元，用于对该局部图像的检测分数进行最大最小标准化处理，得到标准分数；
二值化处理单元，用于对该标准分数进行二值化处理，得到标注有非活体嫌疑区域的与该局部图像相对应的二值图。
进一步地，该标准化处理单元通过以下公式对该检测分数进行最大最小标准化处理：
其中，S表示该局部图像的检测分数，min(S)表示各个局部图像中最小的检测分数，max(S)表示各个局部图像中最大的检测分数。
本实施例通过对所述分数图进行最大最小标准化处理，可以去除掉检测分数中的噪音，使得最终得到的二值图与标注有非活体嫌疑区域的局部图像更加符合。
进一步地，该二值化处理单元具体用于：当所述标准分数大于等于预设分值时，将与所述局部图像相对应的二值图标记为1，当所述标准分数小于所述预设分值时，将与所述局部图像相对应的二值图标记为0。
其中，对所述标准分数进行二值化处理的过程可用以下公式进行描述：
其中，α表示所述预设分值，α为可调节参数，一般可以设置为0.5，M(i，j)＝1时，表示对应区域标注为非活体嫌疑区域，M(i，j)＝0时，表示对应区域标注为活体区域。
进一步地，该收敛模块15具体用于通过MCC变体判断该人脸活体检测模型的损失函数在第二阶段训练是否收敛。
进一步地，该收敛模块15具体还包括记录单元、计算单元和第二判断单元。
记录单元，用于通过混淆矩阵记录每个所述局部图像是否为非活体嫌疑区域的真实值和预测值。其中，混淆矩阵的示意图如下表格(1)所示：
(1)
可以理解的是，当真实值与预测值均为0时，表示所述局部图像的真实值与预测值均为活体区域，用“TN”表示这一情况；当真实值与预测值均为1时，表示该局部图像的真实值与预测值均为非活体嫌疑区域，用“TP”表示这一情况；当预测值为0但真实值为1时，表示所述局部图像的真实值为非活体嫌疑区域但预测值为活体区域，用“FN”表示这一情况；当真实值为0但预测值为1时，表示所述局部图像的真实值为活体区域但预测值为非活体嫌疑区域，用“FP”表示这一情况。
计算单元，用于结合所述混淆矩阵，通过以下公式计算MCC变体的取值：
其中，β为预设值，可以人为调节，当Informedness的重要性较大时，可以调小β的取值，当Markedness的重要性更大时，可以调大β的取值。
进一步地：
Informedness＝r+invp-1；
Markedness＝p+invp-1。
其中，r表示召回率，p表示精准率，精准率
召回率
可以理解的是，该公式中的TP、FP、FN、FP均表示该混淆矩阵中对应符号的数量。
第二判断单元，用于当结合各所述局部图像的混淆矩阵计算出的所述MCC变体的取值的变化量小于预设值时，判断所述人脸活体检测模型的损失函数在第二阶段训练收敛。
可以理解的是，混淆矩阵是解释MCC变体的出发点，通过调节beta便可以调节informedness在模型评价迭代的重要性，目前很多算法的迭代是基于损失或者基于准确率，但是这些评价标准在模型缺乏数据与标签极不平衡的情况下表现差于本案提到的MCC变体。通过调节beta(即参数β),MCC变体还有利于模型在各个优化方向的探索。
通过本实施例训练好的人脸活体检测模型在对人脸图像进行检测时，不仅可以检测出待检测的人脸图像是否为活体人脸，当识别出非活体人脸时，通过该模型中应用的二值化处理能够得到标注有非活体的具体嫌疑区域，使得当检测出待检测的人脸图像为非活体人脸图像时能够同时显示非活体的具体嫌疑区域。
本实施例提出的人脸活体检测模型的训练装置，首先获取包括有人脸活体样本图像和非人脸活体样本图像的原始样本图像，并根据预设的尺寸从该非人脸活体样本图像中随机截取包括有非活体嫌疑区域的局部图像，先通过完整的原始样本图像对该人脸活体检测模型进行第一阶段训练，第一训练阶段结束后，再通过截取的包括有非活体嫌疑区域的局部图像对该人脸活体检测模型进行第二阶段训练，使得训练好的人脸活体检测模型在对人脸图像进行检测时，不仅可以检测出待检测的人脸图像是否为活体人脸，当识别出非活体人脸时能够同时显示非活体的具体嫌疑区域，从而使得工作人员在对识别出的非人脸活体进行核查时，能够一目了然地定位到该非活体人脸图像中具体的嫌疑区域，提高人工核查的效率。
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。
关于人脸活体检测模型的训练装置的具体限定可以参见上文中对于人脸活体检测模型的训练方法的限定，在此不再赘述。上述人脸活体检测模型的训练置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种人脸活体检测模型的训练方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中人脸活体检测模型的训练方法的步骤，例如图2所示的步骤101至步骤105及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中人脸活体检测模型的训练装置的各模块/单元的功能，例如图5所示模块11至模块15的功能。为避免重复，这里不再赘述。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中人脸活体检测模型的训练方法的步骤，例如图2所示的步骤101至步骤105及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中人脸活体检测模型的训练装置的各模块/单元的功能，例如图5所示模块11至模块15的功能。为避免重复，这里不再赘述。
本实施例提出的人脸活体检测模型的训练方法、装置、设备及存储介质，获取包括有人脸活体样本图像和非人脸活体样本图像的原始样本图像，并根据预设的尺寸从该非人脸活体样本图像中随机截取包括有非活体嫌疑区域的局部图像，先通过完整的原始样本图像对该人脸活体检测模型进行第一阶段训练，第一训练阶段结束后，再通过截取的包括有非活体嫌疑区域的局部图像对该人脸活体检测模型进行第二阶段训练，使得训练好的人脸活体检测模型在对人脸图像进行检测时，不仅可以检测出待检测的人脸图像是否为活体人脸，当识别出非活体人脸时能够同时显示非活体的具体嫌疑区域，从而使得工作人员在对识别出的非人脸活体进行核查时，能够一目了然地定位到该非活体人脸图像中具体的嫌疑区域，提高人工核查的效率。
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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种人脸活体检测模型的训练方法，其特征在于，所述方法包括：
获取包括有人脸活体样本图像和非人脸活体样本图像的原始样本图像；
根据预设的尺寸从所述非人脸活体样本图像中随机截取包括有非活体嫌疑区域的局部图像，所述预设的尺寸的最大边长小于所述非人脸活体样本图像的尺寸的最小边长；
通过所述原始样本图像对人脸活体检测模型进行第一阶段训练；
当所述人脸活体检测模型的损失函数在第一阶段训练收敛时，通过所述局部图像对所述人脸活体检测模型进行第二阶段训练；
当所述人脸活体检测模型的损失函数在第二阶段训练收敛时，得到训练好的人脸活体检测模型。
2.根据权利要求1所述的人脸活体检测模型的训练方法，其特征在于，所述通过所述原始样本图像对人脸活体检测模型进行第一阶段训练的步骤包括：
获取所述原始样本图像中包括有所述人脸活体样本图像和所述非人脸活体样本图像的总样本数量；
获取所述总样本数量的预设比例，所述预设比例小于1且大于0；
所述人脸活体检测模型的损失函数对在先输入的所述总样本数量中预设比例数量的样本图像选用自适应学习率机制进行训练；
所述人脸活体检测模型的损失函数对在后输入的所述总样本数量中的剩余样本图像选用cosine衰减学习率进行训练；
当所述人脸活体检测模型的损失函数在第一阶段选用cosine衰减学习率进行训练至所述损失函数收敛时，判断所述人脸活体检测模型在第一阶段训练完成。
3.根据权利要求2所述的人脸活体检测模型的训练方法，其特征在于，所述判断所述人脸活体检测模型的损失函数在第一阶段训练是否收敛的步骤包括：
通过梯度下降法判断所述人脸活体检测模型的损失函数在第一阶段训练是否收敛。
4.根据权利要求1所述的人脸活体检测模型的训练方法，其特征在于，所述通过所述局部图像对所述人脸活体检测模型进行第二阶段训练的步骤包括：
所述人脸活体检测模型的损失函数在第二阶段对输入的所述局部图像选用cosine衰减学习率进行训练；
当所述人脸活体检测模型的损失函数在第二阶段选用cosine衰减学习率进行训练至所述损失函数收敛时，通过随机梯度下降优化器SGD对所述人脸活体检测模型进行优化，直到所述人脸活体检测模型的损失函数再次收敛。
5.根据权利要求1所述的人脸活体检测模型的训练方法，其特征在于，所述通过所述局部图像对所述人脸活体检测模型进行第二阶段训练的步骤包括：
将所述局部图像输入至所述人脸活体检测模型的全卷积神经网络，通过所述全卷积神经网络的最后一个卷积输出所述局部图像的分数图；
将所述局部图像的分数图输入至所述全卷积神经网络的池化层，得到所述局部图像的检测分数；
对所述局部图像的检测分数进行最大最小标准化处理，得到标准分数；
对所述标准分数进行二值化处理，得到标注有非活体嫌疑区域的与所述局部图像相对应的二值图。
6.根据权利要求5所述的人脸活体检测模型的训练方法，其特征在于，通过以下公式对所述检测分数进行最大最小标准化处理：
其中，S表示所述局部图像的检测分数，min(S)表示各个局部图像中最小的检测分数，max(S)表示各个局部图像中最大的检测分数。
7.根据权利要求1所述的人脸活体检测模型的训练方法，其特征在于，判断所述人脸活体检测模型的损失函数在第二阶段训练是否收敛的步骤包括：
通过MCC变体判断所述人脸活体检测模型的损失函数在第二阶段训练是否收敛。
8.一种人脸活体检测模型的训练装置，其特征在于，所述装置包括：
样本获取模块，用于获取包括有人脸活体样本图像和非人脸活体样本图像的原始样本图像；
图像截取模块，用于根据预设的尺寸从所述非人脸活体样本图像中随机截取包括有非活体嫌疑区域的局部图像，所述预设的尺寸的最大边长小于所述非人脸活体样本图像的尺寸的最小边长；
第一训练模块，用于通过所述原始样本图像对人脸活体检测模型进行第一阶段训练；
第二训练模块，用于当所述人脸活体检测模型的损失函数在第一阶段训练收敛时，通过所述局部图像对所述人脸活体检测模型进行第二阶段训练；
收敛模块，用于当所述人脸活体检测模型的损失函数在第二阶段训练收敛时，得到训练好的人脸活体检测模型。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述人脸活体检测模型的训练方法的步骤。
10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述人脸活体检测模型的训练方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110436488.2A CN113158900B (zh) | 2021-04-22 | 2021-04-22 | 人脸活体检测模型的训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110436488.2A CN113158900B (zh) | 2021-04-22 | 2021-04-22 | 人脸活体检测模型的训练方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113158900A true CN113158900A (zh) | 2021-07-23 |
| CN113158900B CN113158900B (zh) | 2024-09-17 |
Family
ID=76869454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110436488.2A Active CN113158900B (zh) | 2021-04-22 | 2021-04-22 | 人脸活体检测模型的训练方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113158900B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114821823A (zh) * | 2022-04-12 | 2022-07-29 | 马上消费金融股份有限公司 | 图像处理、人脸防伪模型的训练及活体检测方法和装置 |
| CN114882551A (zh) * | 2022-04-14 | 2022-08-09 | 支付宝(杭州)信息技术有限公司 | 一种基于机具维度的人脸识别处理方法、装置以及设备 |
| CN115731588A (zh) * | 2021-08-27 | 2023-03-03 | 腾讯科技（深圳）有限公司 | 模型处理方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190026605A1 (en) * | 2017-07-19 | 2019-01-24 | Baidu Online Network Technology (Beijing) Co., Ltd . | Neural network model training method and apparatus, living body detecting method and apparatus, device and storage medium |
| CN110458024A (zh) * | 2019-07-11 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 活体检测方法及装置和电子设备 |
| CN110751069A (zh) * | 2019-10-10 | 2020-02-04 | 武汉普利商用机器有限公司 | 一种人脸活体检测方法及装置 |
| CN111126283A (zh) * | 2019-12-25 | 2020-05-08 | 创新奇智(广州)科技有限公司 | 一种自动过滤模糊人脸的快速活体检测方法及系统 |
| CN112215045A (zh) * | 2019-07-12 | 2021-01-12 | 普天信息技术有限公司 | 一种活体检测方法和装置 |
| CN112270288A (zh) * | 2020-11-10 | 2021-01-26 | 深圳市商汤科技有限公司 | 活体识别、门禁设备控制方法和装置、电子设备 |
-
2021
- 2021-04-22 CN CN202110436488.2A patent/CN113158900B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190026605A1 (en) * | 2017-07-19 | 2019-01-24 | Baidu Online Network Technology (Beijing) Co., Ltd . | Neural network model training method and apparatus, living body detecting method and apparatus, device and storage medium |
| CN110458024A (zh) * | 2019-07-11 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 活体检测方法及装置和电子设备 |
| CN112215045A (zh) * | 2019-07-12 | 2021-01-12 | 普天信息技术有限公司 | 一种活体检测方法和装置 |
| CN110751069A (zh) * | 2019-10-10 | 2020-02-04 | 武汉普利商用机器有限公司 | 一种人脸活体检测方法及装置 |
| CN111126283A (zh) * | 2019-12-25 | 2020-05-08 | 创新奇智(广州)科技有限公司 | 一种自动过滤模糊人脸的快速活体检测方法及系统 |
| CN112270288A (zh) * | 2020-11-10 | 2021-01-26 | 深圳市商汤科技有限公司 | 活体识别、门禁设备控制方法和装置、电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 孔月萍等: ""基于梯度方向直方图的人脸活体检测方法"", 《《中国激光》, no. 3, 23 May 2018 (2018-05-23), pages 031009 - 1 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115731588A (zh) * | 2021-08-27 | 2023-03-03 | 腾讯科技（深圳）有限公司 | 模型处理方法及装置 |
| CN114821823A (zh) * | 2022-04-12 | 2022-07-29 | 马上消费金融股份有限公司 | 图像处理、人脸防伪模型的训练及活体检测方法和装置 |
| CN114821823B (zh) * | 2022-04-12 | 2023-07-25 | 马上消费金融股份有限公司 | 图像处理、人脸防伪模型的训练及活体检测方法和装置 |
| CN114882551A (zh) * | 2022-04-14 | 2022-08-09 | 支付宝(杭州)信息技术有限公司 | 一种基于机具维度的人脸识别处理方法、装置以及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113158900B (zh) | 2024-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113158900A (zh) | 人脸活体检测模型的训练方法、装置、设备及存储介质 | |
| US10984293B2 (en) | Image processing method and apparatus | |
| CN110163300B (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
| CN109697416B (zh) | 一种视频数据处理方法和相关装置 | |
| WO2020119419A1 (zh) | 基于图像识别的测试方法、装置、计算机设备及存储介质 | |
| Ghadiyaram et al. | Massive online crowdsourced study of subjective and objective picture quality | |
| CN108615071B (zh) | 模型测试的方法及装置 | |
| KR101796401B1 (ko) | 이미지 장면 판정 방법, 장치 및 서버 | |
| CN113269149B (zh) | 活体人脸图像的检测方法、装置、计算机设备及存储介质 | |
| CN112418009B (zh) | 一种图像质量检测方法、终端设备及存储介质 | |
| CN113052144A (zh) | 活体人脸检测模型的训练方法、装置、设备及存储介质 | |
| CN109543011A (zh) | 问答数据处理方法、装置、计算机设备和存储介质 | |
| CN113436175B (zh) | 车图像分割质量的评估方法、装置、设备及存储介质 | |
| CN111325082A (zh) | 一种人员专注度分析方法及装置 | |
| CN112434717B (zh) | 一种模型训练方法及装置 | |
| CN113283388B (zh) | 活体人脸检测模型的训练方法、装置、设备及存储介质 | |
| CN111881740A (zh) | 人脸识别方法、装置、电子设备及介质 | |
| CN111428740A (zh) | 网络翻拍照片的检测方法、装置、计算机设备及存储介质 | |
| CN113822414A (zh) | 口罩检测模型的训练方法、口罩检测方法及相关设备 | |
| CN111047049B (zh) | 基于机器学习模型处理多媒体数据的方法、装置及介质 | |
| CN112434547B (zh) | 一种用户身份稽核方法和设备 | |
| CN111311393A (zh) | 信用风险的评估方法、装置、服务器和存储介质 | |
| CN111353330A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN115762530A (zh) | 声纹模型训练方法、装置、计算机设备和存储介质 | |
| CN112036507B (zh) | 图像识别模型的训练方法、装置、存储介质和电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |