CN113657289B - 阈值估计模型的训练方法、装置和电子设备 - Google Patents
阈值估计模型的训练方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113657289B CN113657289B CN202110952903.XA CN202110952903A CN113657289B CN 113657289 B CN113657289 B CN 113657289B CN 202110952903 A CN202110952903 A CN 202110952903A CN 113657289 B CN113657289 B CN 113657289B
- Authority
- CN
- China
- Prior art keywords
- face
- image
- estimation model
- similarity
- face 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 112
- 238000000605 extraction Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 24
- 230000001815 facial effect Effects 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process 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
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种阈值估计模型的训练方法、装置和电子设备,涉及计算机视觉、以及深度学习等人工智能技术领域。具体实现方案为:在进行人脸识别操作时,可以先获取多个人脸样本图像、和各人脸样本图像的人脸特征向量;并将各人脸样本图像的人脸特征向量输入至初始阈值估计模型中,得到各人脸样本图像对应的相似度阈值;再根据各人脸样本图像对应的相似度阈值,更新初始阈值估计模型的网络参数,以得到最终的阈值估计模型。这样后续可以通过阈值估计模型,有针对性地确定不同用户各自对应的相似度阈值,并基于其各自对应的相似度阈值进行人脸识别,与现有技术中采用统一的相似度阈值进行人脸识别相比,可以有效地提高人脸识别结果的准确度。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种阈值估计模型的训练方法、装置和电子设备,具体涉及计算机视觉、以及深度学习等人工智能技术领域。
背景技术
随着人脸识别技术的提高,其在众多的领域内均得到了广泛地应用,是识别用户身份的一种重要手段。在通过人脸识别技术对用户身份进行识别时,若人脸识别成功,则确定用户为合法用户;相反的,若人脸识别失败,则确定用户为非法用户。
在通过人脸识别技术对用户身份进行识别时,如何提高人脸识别结果的准确度,是本领域技术人员亟待解决的问题。
发明内容
本公开提供了一种阈值估计模型的训练方法、装置和电子设备,可以有效地提高人脸识别结果的准确度。
根据本公开的第一方面,提供了一种阈值估计模型的训练方法,该阈值估计模型的训练方法可以包括:
获取多个人脸样本图像、和各人脸样本图像的人脸特征向量。
将所述各人脸样本图像的人脸特征向量输入至初始阈值估计模型中,得到所述各人脸样本图像对应的相似度阈值。
根据所述各人脸样本图像对应的相似度阈值,更新所述初始阈值估计模型的网络参数。
根据本公开的第二方面,提供了一种人脸识别方法,该人脸识别方法可以包括:
获取待识别人脸图像,和所述待识别人脸图像的人脸特征向量。
分别确定所述人脸特征向量,和人脸库中各预设人脸图像的人脸特征向量之间的余弦相似度。
根据所述人脸特征向量、和所述各预设人脸图像的人脸特征向量之间的余弦相似度,从所述人脸库中确定最大余弦相似度对应的目标人脸图像。
根据所述最大余弦相似度和所述目标人脸图像对应的相似度阈值,确定所述待识别人脸图像对应的人脸识别结果;其中,所述目标人脸图像对应的相似度阈值是将所述目标人脸图像的人脸特征向量输入至阈值估计模型中得到的。
根据本公开的第三方面,提供了一种阈值估计模型的训练装置,该阈值估计模型的训练装置可以包括:
获取单元,用于获取多个人脸样本图像、和各人脸样本图像的人脸特征向量。
处理单元,用于将所述各人脸样本图像的人脸特征向量输入至初始阈值估计模型中,得到所述各人脸样本图像对应的相似度阈值。
更新单元,用于根据所述各人脸样本图像对应的相似度阈值,更新所述初始阈值估计模型的网络参数。
根据本公开的第四方面,提供了一种人脸识别装置,该人脸识别装置可以包括:
获取单元,用于获取待识别人脸图像,和所述待识别人脸图像的人脸特征向量。
第一确定单元,用于分别确定所述人脸特征向量,和人脸库中各预设人脸图像的人脸特征向量之间的余弦相似度。
第二确定单元,用于根据所述人脸特征向量、和所述各预设人脸图像的人脸特征向量之间的余弦相似度,从所述人脸库中确定最大余弦相似度对应的目标人脸图像。
处理单元,用于根据所述最大余弦相似度和所述目标人脸图像对应的相似度阈值,确定所述待识别人脸图像对应的人脸识别结果;其中,所述目标人脸图像对应的相似度阈值是将所述目标人脸图像的人脸特征向量输入至阈值估计模型中得到的。
根据本公开的第五方面,提供了一种电子设备,该电子设备可以包括:
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上述第一方面所述的阈值估计模型的训练方法,或者,以使所述至少一个处理器能够执行上述第二方面所述的人脸识别方法。
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,所述计算机指令用于使所述计算机执行上述第一方面所述的阈值估计模型的训练方法,或者,使所述计算机执行上述第二方面所述的人脸识别方法。
根据本公开的技术方案,可以有效地提高人脸识别结果的准确度。
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是根据本公开第一实施例提供的阈值估计模型的训练方法的流程示意图;
图2是根据本公开第二实施例提供的阈值估计模型的训练方法的流程示意图;
图3是根据本公开第三实施例提供的人脸识别方法的流程示意图;
图4是根据本公开第四实施例提供的阈值估计模型的训练装置的结构示意图;
图5是根据本公开第五实施例提供的人脸识别装置的结构示意图;
图6是根据本公开实施例提供的一种电子设备的示意性框图。
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。
在本公开的实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。在本公开的文字描述中,字符“/”一般表示前后关联对象是一种“或”的关系。此外,在本公开实施例中,“第一”、“第二”、“第三”、“第四”、“第五”以及“第六”只是为了区分不同对象的内容而已,并无其它特殊含义。
本公开实施例提供的技术方案可以应用于人脸识别等场景。例如,用户在办理某些业务时,需要先通过人脸识别的方式,对用户的身份进行识别;若人脸识别成功,则确定用户为合法用户,可以办理相关业务;相反的,若人脸识别失败,则确定用户为非法用户,不能办理相关业务。
目前,在现有的人脸识别场景中,均采用统一的相似度阈值进行识别,当计算出的相似度高于该统一的相似度阈值时,则确定人脸识别成功;当计算出的相似度低于该统一的相似度阈值时,确定人脸识别失败,从而完成人脸识别流程。
但是,鉴于不同人群的相似度存在差异,例如女性,可能会由于化妆或者饰品等导致其多张图片之间的面部差异较大,男性相对而言其多张图片之间的面部差异较小,若采用统一的相似度阈值,则会导致人脸识别结果的准确度较低。
为了提高人脸识别结果的准确度,针对不同的用户,可以考虑设置不同的相似度阈值,这样在进行人脸识别时,可以有针对性地基于该用户对应的相似度阈值进行人脸识别,以确定人脸识别结果;采用该方法,与现有技术中采用统一的相似度阈值确定人脸识别结果相比,可以有效地提高人脸识别结果的准确度。
基于上述技术构思,本公开实施例提供一种阈值估计模型的训练方法,下面,将通过具体的实施例对本公开提供的阈值估计模型的训练方法进行详细地说明。可以理解的是,下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例一
图1是根据本公开第一实施例提供的阈值估计模型的训练方法的流程示意图,该阈值估计模型的训练方法可以由软件和/或硬件装置执行,例如,该硬件装置可以为终端或者服务器。示例的,请参见图1所示,该阈值估计模型的训练方法可以包括:
S101、获取多个人脸样本图像、和各人脸样本图像的人脸特征向量。
示例的,在获取多个人脸样本图像时,可以从数据库中直接获取预存的多个人脸样本图像;也可以从第三方训练系统中获取多个人脸样本图像;也可以通过其他方式获取多个人脸样本图像,具体可以根据实际需要进行设置,在此,对于多个人脸样本图像的获取方式,本公开实施例不做具体地限制。
除了获取多个人脸样本图像之外,还需要获取多个人脸样本图像中每一个人脸样本图像的人脸特征向量,其中,人脸特征向量为用于描述人脸样本图像中的人脸特征的向量,并在获取到各人脸样本图像的人脸特征向量后,执行下述S102:
S102、将各人脸样本图像的人脸特征向量输入至初始阈值估计模型中,得到各人脸样本图像对应的相似度阈值。
其中,初始阈值估计模型的输入为人脸图像的人脸特征向量,输出为该人脸图像对应的相似度阈值。
示例的,初始阈值估计模型可以为一个深度神经网络模型,例如resnet34结构的深度神经网络模型,也可以为在人脸特征提取模型的输出层连接的一个全连接层,该全连接层的输入为人脸图像的人脸特征向量,输出为该人脸图像对应的相似度阈值,具体可以根据实际需要进行设置。示例的,在本公开实施例中,初始阈值估计模型可以为在人脸特征提取模型的输出层连接的一个全连接层,该全连接层的维度可以为128*1,具体可以根据实际需要进行设置。
在通过初始阈值估计模型中,得到各人脸样本图像对应的相似度阈值之后,就可以根据各人脸样本图像对应的相似度阈值,更新初始阈值估计模型的网络参数,即执行下述S103:
S103、根据各人脸样本图像对应的相似度阈值,更新初始阈值估计模型的网络参数。
结合上述S102中的相关描述,示例的,当初始阈值估计模型为在人脸特征提取模型的输出层连接的一个全连接层时,则更新的网络参数为该全连接层中的网络参数。
可以理解的是,上述S101-S103只是对初始阈值估计模型执行的一次训练操作。在通过S103根据各人脸样本图像对应的相似度阈值,更新初始阈值估计模型的网络参数后,若更新后的阈值估计模型,则直接将更新后的阈值估计模型确定为最终训练好的阈值估计模型;若更新后的阈值估计模型未收敛,则再次执行S101-S103,直至更新后的阈值估计模型收敛,并将收敛时的阈值估计模型确定为最终训练好的阈值估计模型,从而获取到最终的阈值估计模型。
可以看出,本公开实施例中,在进行人脸识别操作时,可以先获取多个人脸样本图像、和各人脸样本图像的人脸特征向量;并将各人脸样本图像的人脸特征向量输入至初始阈值估计模型中,得到各人脸样本图像对应的相似度阈值;再根据各人脸样本图像对应的相似度阈值,更新初始阈值估计模型的网络参数,以得到最终的阈值估计模型。这样后续可以通过确定出的阈值估计模型,有针对性地确定不同用户各自对应的相似度阈值,并基于其各自对应的相似度阈值进行人脸识别,与现有技术中采用统一的相似度阈值进行人脸识别相比,可以有效地提高人脸识别结果的准确度。
基于上述图1所示的实施例,为了便于理解在上述S103中,如何根据多个人脸样本图像中各人脸样本图像对应的相似度阈值,更新初始阈值估计模型的网络参数,下面,将通过下述图2所示的实施例二,对如何根据多个人脸样本图像中各人脸样本图像对应的相似度阈值,更新初始阈值估计模型的网络参数进行详细描述。
实施例二
图2是根据本公开第二实施例提供的阈值估计模型的训练方法的流程示意图,该阈值估计模型的训练方法同样可以由软件和/或硬件装置执行。示例的,请参见图2所示,该阈值估计模型的训练方法可以包括:
S201、针对多个人脸样本图像中各人脸样本图像,确定人脸样本图像的人脸特征向量分别与多个聚类中除人脸样本图像所属的聚类之外的其他各聚类对应的向量表示之间的余弦相似度,得到人脸样本图像对应的多个余弦相似度。
其中,多个人脸样本图像属于多个聚类。需要说明的是,本公开实施例中,多个人脸样本图像的数量可以与多个聚类的数量相同,也可以大于多个聚类的数量。当多个人脸样本图像的数量大于多个聚类的数量时,说明多个人脸样本图像中的至少两个人脸样本图像属于同一个聚类。通常情况下,一个聚类中包括的多个人脸样本图像,可以理解为一个用户的多个人脸样本图像,即一个聚类表示一个用户。
在获取多个人脸样本图像中各人脸样本图像对应的多个余弦相似度时,鉴于每一个人脸样本图像对应的多个余弦相似度的获取方式类似,因此,为了避免赘述,在本公开实施例中,将以获取多个人脸样本图像中任意一个人脸样本图像对应的多个余弦相似度为例,详细描述如何获取该人脸样本图像对应的多个余弦相似度。
在获取人脸样本图像对应的多个余弦相似度时,需要先获取该人脸样本图像的人脸特征向量。示例的,在获取该人脸样本的人脸特征向量时,可以将该人脸样本图像输入至人脸特征提取模型中,该人脸特征提取模型的输出即为该人脸样本图像的人脸特征向量,这样通过训练好的人脸特征提取模型,提取人脸特征向量,可以有效地提高获取到的人脸特征向量的准确度。其中,人脸特征提取模型为采用多个人脸样本图像对初始人脸特征提取模型进行训练得到的。
示例的,采用多个人脸样本图像对初始人脸特征提取模型进行训练时,可以对该多个人脸样本图像进行聚类处理,得到该多个人脸样本图像对应的多个聚类;并将该多个人脸样本图像输入至初始人脸特征提取模型中,得到该多个人脸特征图像各自的人脸特征向量,并在初始人脸特征提取模型的输出层连接一个全连接层,与前面提到的全连接层不同的是,此处的全连接层的输出为各人脸样本图像属于多个聚类中每一个聚类的概率;再针对各人脸样本图像,基于该人脸样本图像属于多个聚类中每一个聚类的概率和标记的该人脸样本图像所属的聚类,构造损失函数,例如Arcface损失函数,得到该人脸样本图像对应的损失函数,类似的,可以得到多个人脸样本图像中,各人脸样本图像对应的损失函数。
鉴于该多个人脸样本图像为执行一次训练过程所用到的一批图像样本,因此,可以根据各人脸样本图像对应的损失函数,确定该多个人脸样本图像对应的平均损失函数,并基于该平均损失函数更新初始人脸特征提取模型的网络参数,以对该初始人脸特征提取模型进行训练,并将收敛时的人脸特征提取模型确定为最终训练好的人脸特征提取模型,从而训练得到最终的人脸特征提取模型。
示例的,人脸特征提取模型可以为resnet34结构的深度神经网络模型,也可以为其它结构的深度神经网络模型,具体可以根据实际需要进行设置,在此,本公开实施例只是以resnet34结构的深度神经网络模型为例进行说明,但并不代表本公开实施例仅局限于此。
在获取到人脸样本图像的人脸特征向量后,就可以进一步计算该人脸样本图像的人脸特征向量分别与多个聚类中除人脸样本图像所属的聚类之外的其他各聚类对应的向量表示之间的余弦相似度,假设除人脸样本图像所属的聚类之外的其他各聚类的个数为多个,则可以得到该人脸样本图像对应的多个余弦相似度。
示例的,在确定各聚类对应的向量表示时,可以将训练初始人脸特征提取模型时在初始人脸特征提取模型的输出层后连接的全连接层中包含的参数,确定为各聚类对应的向量表示;其中,全连接层的输出为各人脸样本图像属于各聚类的概率;也可以通过其它方式确定各聚类对应的向量表示,具体可以根据实际需要进行设置,在此,本公开实施例只是以将训练初始人脸特征提取模型时在初始人脸特征提取模型的输出层后连接的全连接层中包含的参数,确定为各聚类对应的向量表示为例进行说明,但并不代表本公开实施例仅局限于此。
需要说明的是,在将训练初始人脸特征提取模型时在初始人脸特征提取模型的输出层后连接的全连接层中包含的参数,确定为各聚类对应的向量表示时,用于训练初始人脸特征提取模型所采用的多个人脸样本图像与本公开中用于训练初始阈值估计模型的多个人脸样本图像为同一批样本图像。因此只有为同一批样本图像时,在初始人脸特征提取模型的输出层后连接的全连接层中包含的参数,才可以正确地表示各聚类对应的向量表示。
结合上述相关描述,针对多个人脸图像样本中各人脸图像样本,均可以得到其对应的多个余弦相似度,再结合上述S102中计算得到的各人脸样本图像对应的相似度阈值,就可以更新初始阈值估计模型的网络参数,即执行下述S202:
S202、根据各人脸样本图像对应的相似度阈值和多个余弦相似度,更新初始阈值估计模型的网络参数。
示例的,根据各人脸样本图像对应的相似度阈值和多个余弦相似度,更新初始阈值估计模型的网络参数时,可以先分别根据各人脸样本图像对应的相似度阈值和多个余弦相似度,确定各人脸样本图像对应的损失函数,再根据各人脸样本图像对应的损失函数,更新初始阈值估计模型的网络参数。
可以理解的是,在根据各人脸样本图像对应的相似度阈值和多个余弦相似度,确定各人脸样本图像对应的损失函数时,鉴于每一个人脸样本图像对应的损失函数的确定方式类似,为了避免赘述,将以根据任意一个人脸样本图像对应的相似度阈值和多个余弦相似度,确定该人脸样本图像对应的损失函数为例,对如何确定各人脸样本图像对应的损失函数进行描述。
示例的,在根据人脸样本图像对应的相似度阈值和多个余弦相似度,确定该人脸样本图像对应的损失函数时,可以先从该人脸样本图像对应的多个余弦相似度中确定最大余弦相似度,并根据最大余弦相似度和该人脸样本图像对应的相似度阈值确定人脸样本图像对应的损失函数。示例的,该损失函数可以为最大余弦相似度和该人脸样本图像对应的相似度阈值之间的均方误差损失。基于该损失函数的确定方法,可以得到各人脸样本图像对应的损失函数。
鉴于该多个人脸样本图像为执行一次训练过程所用到的一批图像样本,因此,可以在根据各人脸样本图像对应的损失函数,更新初始阈值估计模型的网络参数时,可以先根据各人脸样本图像对应的损失函数,确定多个人脸样本图像对应的平均损失函数;根据平均损失函数,并采用梯度下降算法更新初始阈值估计模型的网络参数;并判断更新后的阈值估计模型是否收敛;若收敛,则将更新后的阈值估计模型确定为最终训练好的阈值估计模型;若更新后的阈值估计模型未收敛,则再次通过新的人脸样本图像对更新后的阈值估计模型进行训练,直至更新后的阈值估计模型收敛,并将收敛时的阈值估计模型确定为最终训练好的阈值估计模型,从而获取到最终的阈值估计模型。
可以看出,本公开实施例中,在获取阈值估计模型时,针对多个人脸样本图像中各人脸样本图像,确定人脸样本图像的人脸特征向量分别与多个聚类中除人脸样本图像所属的聚类之外的其他各聚类对应的向量表示之间的余弦相似度,得到人脸样本图像对应的多个余弦相似度;根据各人脸样本图像对应的相似度阈值和多个余弦相似度,更新初始阈值估计模型的网络参数,以得到最终的阈值估计模型。这样后续可以通过确定出的阈值估计模型,有针对性地确定不同用户各自对应的相似度阈值,并基于其各自对应的相似度阈值进行人脸识别,与现有技术中采用统一的相似度阈值进行人脸识别相比,可以有效地提高人脸识别结果的准确度。
需要说明的是,本实施例中的初始阈值估计模型并不是针对某一特定用户的初始阈值估计模型,并不能反映出某一特定用户的个人信息。需要说明的是,本实施例中的人脸样本图像均来自于公开数据集。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
基于上述图1或图2所示的实施例,在训练得到阈值估计模型后,就可以将该阈值估计模型应用于人脸识别的场景下,可参见下述图3所示的实施例三。
实施例三
图3是根据本公开第三实施例提供的人脸识别方法的流程示意图,该人脸识别方法可以由软件和/或硬件装置执行,例如,该硬件装置可以为终端或者服务器。示例的,请参见图3所示,该人脸识别方法可以包括:
S301、获取待识别人脸图像,和待识别人脸图像的人脸特征向量。
示例的,在获取待识别人脸图像的人脸特征向量时,可以将待识别人脸图像输入至人脸特征提取模型中,通过该人脸特征提取模型提取待识别人脸图像的人脸特征向量,该人脸特征提取模型的输出即为该待识别人脸图像的人脸特征向量。
在获取到待识别人脸图像的人脸特征向量后,可以进一步计算该人脸特征向量,分别和人脸库中各预设人脸图像的人脸特征向量之间的余弦相似度,即执行下述S302:
S302、分别确定人脸特征向量,和人脸库中各预设人脸图像的人脸特征向量之间的余弦相似度。
其中,人脸库中可以包括各预设人脸图像、各预设人脸图像的人脸特征向量、以及各预设人脸图像对应的相似度阈值。通常情况下,为了提高人脸识别效率,可以预先建立人脸库。示例的,在建立人脸库中,可以将各预设人脸图像的人脸特征向量输入至人脸特征提取模型,得到各预设人脸图像的人脸特征向量,并将各预设人脸图像的人脸特征向量存储至人脸库中;以及将各预设人脸图像的人脸特征向量输入至阈值估计模型中,得到各预设人脸图像对应的相似度阈值,并将各预设人脸图像对应的相似度阈值存储至人脸库中,从而构建人脸库。
可以理解的是,在本公开实施例中,在构建得到人脸库后,该人脸库不是固定不变的,而是在存在新的预设人脸图像时,可以根据该新的预设人脸图像、该新的预设人脸图像的人脸特征向量、以及该新的预设人脸图像对应的相似度阈值对预先构建的人脸库进行更新,以得到更为丰富的人脸库,这样更有助于后续进行人脸识别。
分别计算人脸特征向量,和人脸库中各预设人脸图像的人脸特征向量之间的余弦相似度,并根据计算得到的余弦相似度,从人脸库中确定最大余弦相似度对应的目标人脸图像,即执行下述S303:
S303、根据人脸特征向量、和各预设人脸图像的人脸特征向量之间的余弦相似度,从人脸库中确定最大余弦相似度对应的目标人脸图像。
通常情况下,余弦相似度越大,说明两个人脸图像越相似;相反的,余弦相似度越小,说明两个人脸图像越不相似。
其中,最大余弦相似度对应的目标人脸图像,可以理解为人脸库中,与待识别人脸图像,最相似的人脸图像。
S304、根据最大余弦相似度和目标人脸图像对应的相似度阈值,确定待识别人脸图像对应的人脸识别结果。
其中,目标人脸图像对应的相似度阈值是将目标人脸图像的人脸特征向量输入至阈值估计模型中得到的。通常情况下,不同人脸图像对应的相似度阈值不同,这样可以有针对性地确定不同用户各自对应的相似度阈值,与现有技术中采用统一的相似度阈值进行人脸识别相比,可以有效地提高人脸识别结果的准确度。
示例的,根据最大余弦相似度和目标人脸图像对应的相似度阈值,确定待识别人脸图像对应的人脸识别结果时,若最大余弦相似度阈值,大于或等于目标人脸图像对应的相似度阈值,则确定待识别人脸图像人脸识别成功,且可以进一步确定待识别人脸图像和目标人脸图像为同一用户的人脸图像;若最大余弦相似度阈值小于目标人脸图像对应的相似度阈值,则确定待识别人脸图像人脸识别失败。
可以看出,本公开实施例中,在进行人脸识别操作时,可以分别确定待识别人脸图像的人脸特征向量,和人脸库中各预设人脸图像的人脸特征向量之间的余弦相似度,并根据人脸特征向量、和各预设人脸图像的人脸特征向量之间的余弦相似度,从人脸库中确定最大余弦相似度对应的目标人脸图像;再根据最大余弦相似度和目标人脸图像对应的相似度阈值,确定待识别人脸图像对应的人脸识别结果,这样有针对性地采用目标人脸图像对应的相似度阈值进行人脸识别,与现有技术中采用统一的相似度阈值进行人脸识别相比,可以有效地提高人脸识别结果的准确度。
实施例四
图4是根据本公开第四实施例提供的阈值估计模型的训练装置40的结构示意图,示例的,请参见图4所示,该阈值估计模型的训练装置40可以包括:
获取单元401,用于获取多个人脸样本图像、和各人脸样本图像的人脸特征向量。
处理单元402,用于将各人脸样本图像的人脸特征向量输入至初始阈值估计模型中,得到各人脸样本图像对应的相似度阈值。
更新单元403,用于根据各人脸样本图像对应的相似度阈值,更新初始阈值估计模型的网络参数。
可选的,多个人脸样本图像属于多个聚类;更新单元403包括第一更新模块和第二更新模块。
第一更新模块,用于针对各人脸样本图像,确定人脸样本图像的人脸特征向量分别与多个聚类中除人脸样本图像所属的聚类之外的其他各聚类对应的向量表示之间的余弦相似度,得到人脸样本图像对应的多个余弦相似度。
第二更新模块,用于根据各人脸样本图像对应的相似度阈值和多个余弦相似度,更新初始阈值估计模型的网络参数。
可选的,第二更新模块包括第一更新子模块和第二更新子模块。
第一更新子模块,用于针对各人脸样本图像,从人脸样本图像对应的多个余弦相似度中确定最大余弦相似度,并根据最大余弦相似度和人脸样本图像对应的相似度阈值确定人脸样本图像对应的损失函数。
第二更新子模块,用于根据各人脸样本图像对应的损失函数,更新初始阈值估计模型的网络参数。
可选的,第二更新子模块,具体用于根据各人脸样本图像对应的损失函数,确定多个人脸样本图像对应的平均损失函数;并根据平均损失函数,更新初始阈值估计模型的网络参数。
可选的,获取单元401包括第一获取模块。
第一获取模块,用于将各人脸样本图像输入至人脸特征提取模型中,得到各人脸样本图像的人脸特征向量,人脸特征提取模型为采用多个人脸样本图像对初始人脸特征提取模型进行训练得到的。
可选的,各聚类对应的向量表示为训练初始人脸特征提取模型时在初始人脸特征提取模型的输出层后连接的全连接层中包含的参数,全连接层的输出为各人脸样本图像属于各聚类的概率。
本公开实施例提供的阈值估计模型的训练装置40,可以执行上述任一实施例所示的阈值估计模型的训练方法的技术方案,其实现原理以及有益效果与阈值估计模型的训练方法的实现原理及有益效果类似,可参见阈值估计模型的训练方法的实现原理及有益效果,此处不再进行赘述。
实施例五
图5是根据本公开第五实施例提供的人脸识别装置50的结构示意图,示例的,请参见图5所示,该人脸识别装置50可以包括:
获取单元501,用于获取待识别人脸图像,和待识别人脸图像的人脸特征向量。
第一确定单元502,用于分别确定人脸特征向量,和人脸库中各预设人脸图像的人脸特征向量之间的余弦相似度。
第二确定单元503,用于根据人脸特征向量、和各预设人脸图像的人脸特征向量之间的余弦相似度,从人脸库中确定最大余弦相似度对应的目标人脸图像。
处理单元504,用于根据最大余弦相似度和目标人脸图像对应的相似度阈值,确定待识别人脸图像对应的人脸识别结果;其中,目标人脸图像对应的相似度阈值是将目标人脸图像的人脸特征向量输入至阈值估计模型中得到的。
可选的,处理单元504包括第一处理模块和第二处理模块。
第一处理模块,用于若最大余弦相似度阈值,大于或等于目标人脸图像对应的相似度阈值,则确定待识别人脸图像人脸识别成功。
第二处理模块,用于若最大余弦相似度阈值小于目标人脸图像对应的相似度阈值,则确定待识别人脸图像人脸识别失败。
可选的,该人脸识别装置50还包括输入单元和存储单元。
输入单元,用于将各预设人脸图像的人脸特征向量输入至阈值估计模型中,得到各预设人脸图像对应的相似度阈值。
存储单元,用于将各预设人脸图像对应的相似度阈值,存储至人脸库中。
本公开实施例提供的人脸识别装置50,可以执行上述任一实施例所示的人脸识别方法的技术方案,其实现原理以及有益效果与人脸识别方法的实现原理及有益效果类似,可参见人脸识别方法的实现原理及有益效果,此处不再进行赘述。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
图6是根据本公开实施例提供的一种电子设备的示意性框图。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6所示,电子设备60包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备60操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备60中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备60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601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601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601执行上文所描述的各个方法和处理,例如阈值估计模型的训练方法或者人脸识别方法。例如,在一些实施例中,阈值估计模型的训练方法或者人脸识别方法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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备60上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的阈值估计模型的训练方法或者人脸识别方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行阈值估计模型的训练方法或者人脸识别方法。
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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称 "VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也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。
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,本发申请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 (16)
1.一种阈值估计模型的训练方法,包括:
获取多个人脸样本图像、和各人脸样本图像的人脸特征向量;
将所述各人脸样本图像的人脸特征向量输入至初始阈值估计模型中,得到所述各人脸样本图像对应的相似度阈值;
根据所述各人脸样本图像对应的相似度阈值,更新所述初始阈值估计模型的网络参数;
所述多个人脸样本图像属于多个聚类;
所述根据所述各人脸样本图像对应的相似度阈值,更新所述初始阈值估计模型的网络参数,包括:
针对所述各人脸样本图像,确定所述人脸样本图像的人脸特征向量分别与所述多个聚类中除所述人脸样本图像所属的聚类之外的其他各聚类对应的向量表示之间的余弦相似度,得到所述人脸样本图像对应的多个余弦相似度;
针对所述各人脸样本图像,从所述人脸样本图像对应的多个余弦相似度中确定最大余弦相似度,并根据所述最大余弦相似度和所述人脸样本图像对应的相似度阈值确定所述人脸样本图像对应的损失函数;
根据所述各人脸样本图像对应的损失函数,更新所述初始阈值估计模型的网络参数。
2.根据权利要求1所述的方法,其中,所述根据所述各人脸样本图像对应的损失函数,更新所述初始阈值估计模型的网络参数,包括;
根据所述各人脸样本图像对应的损失函数,确定所述多个人脸样本图像对应的平均损失函数;
根据所述平均损失函数,更新所述初始阈值估计模型的网络参数。
3.根据权利要求2所述的方法,其中,获取所述多个人脸样本图像中各人脸样本图像的人脸特征向量,包括:
将所述各人脸样本图像输入至人脸特征提取模型中,得到所述各人脸样本图像的人脸特征向量,所述人脸特征提取模型为采用所述多个人脸样本图像对初始人脸特征提取模型进行训练得到的。
4.根据权利要求3所述的方法,各聚类对应的向量表示为训练所述初始人脸特征提取模型时在所述初始人脸特征提取模型的输出层后连接的全连接层中包含的参数,所述全连接层的输出为各人脸样本图像属于所述各聚类的概率。
5.一种人脸识别方法,包括:
获取待识别人脸图像,和所述待识别人脸图像的人脸特征向量;
分别确定所述人脸特征向量,和人脸库中各预设人脸图像的人脸特征向量之间的余弦相似度;
根据所述人脸特征向量、和所述各预设人脸图像的人脸特征向量之间的余弦相似度,从所述人脸库中确定最大余弦相似度对应的目标人脸图像;
根据所述最大余弦相似度和所述目标人脸图像对应的相似度阈值,确定所述待识别人脸图像对应的人脸识别结果;其中,所述目标人脸图像对应的相似度阈值是将所述目标人脸图像的人脸特征向量输入至如权利要求1所述的阈值估计模型中得到的。
6.根据权利要求5所述的方法,其中,所述根据所述最大余弦相似度和所述目标人脸图像对应的相似度阈值,确定所述待识别人脸图像对应的人脸识别结果,包括:
若所述最大余弦相似度阈值,大于或等于所述目标人脸图像对应的相似度阈值,则确定所述待识别人脸图像人脸识别成功;
若所述最大余弦相似度阈值小于所述目标人脸图像对应的相似度阈值,则确定所述待识别人脸图像人脸识别失败。
7.根据权利要求5或6所述的方法,所述方法还包括:
将所述各预设人脸图像的人脸特征向量输入至所述阈值估计模型中,得到所述各预设人脸图像对应的相似度阈值;
将所述各预设人脸图像对应的相似度阈值,存储至所述人脸库中。
8.一种阈值估计模型的训练装置,包括:
获取单元,用于获取多个人脸样本图像、和各人脸样本图像的人脸特征向量;
处理单元,用于将所述各人脸样本图像的人脸特征向量输入至初始阈值估计模型中,得到所述各人脸样本图像对应的相似度阈值;
更新单元,用于根据所述各人脸样本图像对应的相似度阈值,更新所述初始阈值估计模型的网络参数;
所述多个人脸样本图像属于多个聚类;所述更新单元包括第一更新模块和第二更新模块;
所述第一更新模块,用于针对所述各人脸样本图像,确定所述人脸样本图像的人脸特征向量分别与所述多个聚类中除所述人脸样本图像所属的聚类之外的其他各聚类对应的向量表示之间的余弦相似度,得到所述人脸样本图像对应的多个余弦相似度;
其中,所述第二更新模块包括第一更新子模块和第二更新子模块;
所述第一更新子模块,用于针对所述各人脸样本图像,从所述人脸样本图像对应的多个余弦相似度中确定最大余弦相似度,并根据所述最大余弦相似度和所述人脸样本图像对应的相似度阈值确定所述人脸样本图像对应的损失函数;
所述第二更新子模块,用于根据所述各人脸样本图像对应的损失函数,更新所述初始阈值估计模型的网络参数。
9.根据权利要求8所述的装置,其中,
所述第二更新子模块,具体用于根据所述各人脸样本图像对应的损失函数,确定所述多个人脸样本图像对应的平均损失函数;并根据所述平均损失函数,更新所述初始阈值估计模型的网络参数。
10.根据权利要求9所述的装置,其中,所述获取单元包括第一获取模块;
所述第一获取模块,用于将所述各人脸样本图像输入至人脸特征提取模型中,得到所述各人脸样本图像的人脸特征向量,所述人脸特征提取模型为采用所述多个人脸样本图像对初始人脸特征提取模型进行训练得到的。
11.根据权利要求10所述的装置,各聚类对应的向量表示为训练所述初始人脸特征提取模型时在所述初始人脸特征提取模型的输出层后连接的全连接层中包含的参数,所述全连接层的输出为各人脸样本图像属于所述各聚类的概率。
12.一种人脸识别装置,包括:
获取单元,用于获取待识别人脸图像,和所述待识别人脸图像的人脸特征向量;
第一确定单元,用于分别确定所述人脸特征向量,和人脸库中各预设人脸图像的人脸特征向量之间的余弦相似度;
第二确定单元,用于根据所述人脸特征向量、和所述各预设人脸图像的人脸特征向量之间的余弦相似度,从所述人脸库中确定最大余弦相似度对应的目标人脸图像;
处理单元,用于根据所述最大余弦相似度和所述目标人脸图像对应的相似度阈值,确定所述待识别人脸图像对应的人脸识别结果;其中,所述目标人脸图像对应的相似度阈值是将所述目标人脸图像的人脸特征向量输入至如权利要求8所述的阈值估计模型中得到的。
13.根据权利要求12所述的装置,其中,所述处理单元包括第一处理模块和第二处理模块;
所述第一处理模块,用于若所述最大余弦相似度阈值,大于或等于所述目标人脸图像对应的相似度阈值,则确定所述待识别人脸图像人脸识别成功;
所述第二处理模块,用于若所述最大余弦相似度阈值小于所述目标人脸图像对应的相似度阈值,则确定所述待识别人脸图像人脸识别失败。
14.根据权利要求12或13所述的装置,所述装置还包括输入单元和存储单元;
所述输入单元,用于将所述各预设人脸图像的人脸特征向量输入至所述阈值估计模型中,得到所述各预设人脸图像对应的相似度阈值;
所述存储单元,用于将所述各预设人脸图像对应的相似度阈值,存储至所述人脸库中。
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1-4中任一项所述的阈值估计模型的训练方法,或者,以使所述至少一个处理器能够执行权利要求5-7中任一项所述的人脸识别方法。
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权利要求1-4中任一项所述的阈值估计模型的训练方法,或者,使所述计算机执行权利要求5-7中任一项所述的人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110952903.XA CN113657289B (zh) | 2021-08-19 | 2021-08-19 | 阈值估计模型的训练方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110952903.XA CN113657289B (zh) | 2021-08-19 | 2021-08-19 | 阈值估计模型的训练方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657289A CN113657289A (zh) | 2021-11-16 |
CN113657289B true CN113657289B (zh) | 2023-08-08 |
Family
ID=78481216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110952903.XA Active CN113657289B (zh) | 2021-08-19 | 2021-08-19 | 阈值估计模型的训练方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657289B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113850243A (zh) * | 2021-11-29 | 2021-12-28 | 北京的卢深视科技有限公司 | 模型训练、人脸识别方法、电子设备及存储介质 |
CN114360007B (zh) * | 2021-12-22 | 2023-02-07 | 浙江大华技术股份有限公司 | 人脸识别模型训练、人脸识别方法、装置、设备及介质 |
CN114429663B (zh) * | 2022-01-28 | 2023-10-20 | 北京百度网讯科技有限公司 | 人脸底库的更新方法、人脸识别方法、装置及系统 |
CN115661494A (zh) * | 2022-06-14 | 2023-01-31 | 青岛云天励飞科技有限公司 | 聚类连接图的构建方法、装置、设备及可读存储介质 |
CN115331299B (zh) * | 2022-10-17 | 2023-03-24 | 恒银金融科技股份有限公司 | 基于图像特征点匹配的人脸识别方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019192121A1 (zh) * | 2018-04-04 | 2019-10-10 | 平安科技(深圳)有限公司 | 双通道神经网络模型训练及人脸比对方法、终端及介质 |
CN110414550A (zh) * | 2019-06-14 | 2019-11-05 | 北京迈格威科技有限公司 | 人脸识别模型的训练方法、装置、系统和计算机可读介质 |
CN111582731A (zh) * | 2020-05-11 | 2020-08-25 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
CN112287968A (zh) * | 2020-09-23 | 2021-01-29 | 深圳云天励飞技术股份有限公司 | 图像模型训练、图像处理方法、芯片、设备及介质 |
CN113177627A (zh) * | 2021-01-11 | 2021-07-27 | 联合微电子中心(香港)有限公司 | 优化系统、重新训练系统及其方法及处理器和可读介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108766440B (zh) * | 2018-05-28 | 2020-01-14 | 平安科技(深圳)有限公司 | 说话人分离模型训练方法、两说话人分离方法及相关设备 |
-
2021
- 2021-08-19 CN CN202110952903.XA patent/CN113657289B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019192121A1 (zh) * | 2018-04-04 | 2019-10-10 | 平安科技(深圳)有限公司 | 双通道神经网络模型训练及人脸比对方法、终端及介质 |
CN110414550A (zh) * | 2019-06-14 | 2019-11-05 | 北京迈格威科技有限公司 | 人脸识别模型的训练方法、装置、系统和计算机可读介质 |
CN111582731A (zh) * | 2020-05-11 | 2020-08-25 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
CN112287968A (zh) * | 2020-09-23 | 2021-01-29 | 深圳云天励飞技术股份有限公司 | 图像模型训练、图像处理方法、芯片、设备及介质 |
CN113177627A (zh) * | 2021-01-11 | 2021-07-27 | 联合微电子中心(香港)有限公司 | 优化系统、重新训练系统及其方法及处理器和可读介质 |
Non-Patent Citations (1)
Title |
---|
颜素容 ; 詹雪艳 ; 王耘 ; .基于Bootstrap区间估计的中药指纹图谱相似度阈值确定方法研究.计算机与应用化学.2013,(第07期),67-70. * |
Also Published As
Publication number | Publication date |
---|---|
CN113657289A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657289B (zh) | 阈值估计模型的训练方法、装置和电子设备 | |
CN113705425B (zh) | 活体检测模型的训练方法和活体检测的方法、装置、设备 | |
WO2023016007A1 (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN113407850B (zh) | 一种虚拟形象的确定和获取方法、装置以及电子设备 | |
CN113627536B (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN114218931B (zh) | 信息抽取方法、装置、电子设备和可读存储介质 | |
CN114817612A (zh) | 多模态数据匹配度计算和计算模型训练的方法、相关装置 | |
CN115631381A (zh) | 分类模型训练方法、图像分类方法、装置及电子设备 | |
CN113657249B (zh) | 训练方法、预测方法、装置、电子设备以及存储介质 | |
CN113947701B (zh) | 训练方法、对象识别方法、装置、电子设备以及存储介质 | |
CN113033408B (zh) | 数据队列动态更新方法、装置、电子设备及存储介质 | |
CN114494747A (zh) | 模型的训练方法、图像处理方法、装置、电子设备及介质 | |
CN113657248A (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN113887630A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN112784102A (zh) | 视频检索方法、装置和电子设备 | |
CN115273148B (zh) | 行人重识别模型训练方法、装置、电子设备及存储介质 | |
CN116052288A (zh) | 活体检测模型训练方法、活体检测方法、装置和电子设备 | |
CN113361575B (zh) | 模型训练方法、装置和电子设备 | |
CN115439916A (zh) | 面部识别方法、装置、设备及介质 | |
CN114330576A (zh) | 模型处理方法、装置、图像识别方法及装置 | |
CN113903071A (zh) | 人脸识别方法、装置、电子设备和存储介质 | |
CN113887435A (zh) | 人脸图像处理方法、装置、设备、存储介质及程序产品 | |
CN113408592B (zh) | 特征点匹配方法、装置、电子设备及计算机可读存储介质 | |
CN113360688B (zh) | 信息库的构建方法、装置及系统 |
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 |