CN113780046A - 用于训练人脸图像识别模型的方法和装置 - Google Patents
用于训练人脸图像识别模型的方法和装置 Download PDFInfo
- Publication number
- CN113780046A CN113780046A CN202011517505.7A CN202011517505A CN113780046A CN 113780046 A CN113780046 A CN 113780046A CN 202011517505 A CN202011517505 A CN 202011517505A CN 113780046 A CN113780046 A CN 113780046A
- Authority
- CN
- China
- Prior art keywords
- face image
- recognition model
- target
- label
- image recognition
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000006870 function Effects 0.000 claims description 128
- 230000001815 facial effect Effects 0.000 claims description 57
- 230000015654 memory Effects 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000008451 emotion Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
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
本申请公开了用于训练人脸图像识别模型的方法和装置,涉及计算机技术领域。该方法包括:从训练数据集中获取人脸图像、人脸图像对应的标签,以及获取人脸图像的目标第一特征;采用初始人脸图像识别模型,确定人脸图像的预测第一特征、以及预测第二特征;采用目标第一特征与预测第一特征,构建初始人脸图像识别模型的第一损失函数;采用标签所指示的人脸图像的目标样本特征、与预测第二特征,构建初始人脸图像识别模型的第二损失函数;采用第一损失函数以及第二损失函数,训练初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型。采用本方法训练的目标人脸图像识别模型可以提升人脸识别的效率以及降低系统计算成本。
Description
技术领域
本公开涉及计算机技术领域,具体涉及用于训练人脸图像识别模型的方法和装置。
背景技术
人脸识别技术已广泛应用于安防、人机交互、数据分析等领域。目前的人脸识别方法在对人脸图像的身份以及人脸属性进行识别时,需要分别对人脸图像的身份以及人脸属性进行识别。
然而,目前的人脸识别方法存在识别效率低、以及计算成本高的问题。
发明内容
本公开提供了一种用于训练人脸图像识别模型的方法、装置、电子设备以及计算机可读存储介质。
根据本公开的第一方面,提供了一种用于训练人脸图像识别模型的方法,包括:从训练数据集中获取人脸图像、人脸图像对应的标签,以及获取人脸图像的目标第一特征;采用初始人脸图像识别模型,确定人脸图像的预测第一特征、以及预测第二特征;采用目标第一特征与预测第一特征,构建初始人脸图像识别模型的第一损失函数;采用标签所指示的人脸图像的目标样本特征、与预测第二特征,构建初始人脸图像识别模型的第二损失函数;采用第一损失函数以及第二损失函数,训练初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型。
在一些实施例中,获取人脸图像的目标第一特征,包括:采用训练好的第一人脸特征识别模型,确定人脸图像的目标第一特征。
在一些实施例中,该方法包括:采用训练好的第二人脸特征识别模型,确定人脸图像的目标第二特征;采用目标样本特征以及目标第二特征,构建初始人脸图像识别模型的第三损失函数;采用第一损失函数以及第二损失函数,训练初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型,包括:采用第一损失函数、第二损失函数以及第三损失函数,训练初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型。
在一些实施例中,标签包括人脸图像的人脸属性标签,目标第一特征包括人脸图像的身份特征;或者,标签包括人脸图像的身份标签,目标第一特征包括人脸图像的人脸属性特征。
根据本公开的第二方面,提供了一种用于识别人脸图像的方法,包括:获取待识别人脸图像,以及目标人脸图像识别模型,其中,目标人脸图像识别模型基于以下步骤确定:采用初始人脸图像识别模型,确定人脸图像的预测第一特征、以及预测第二特征;采用目标第一特征与预测第一特征,构建初始人脸图像识别模型的第一损失函数;采用标签所指示的人脸图像的目标样本特征与预测第二特征,构建初始人脸图像识别模型的第二损失函数;采用第一损失函数以及第二损失函数,训练初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型;其中,标签从训练数据集中获取,目标第一特征基于训练数据集合或者基于特征识别模型获取;采用目标人脸图像识别模型,确定待识别人脸图像的第一标签以及第二标签。
在一些实施例中,目标人脸图像识别模型包括主网、第一子网以及第二子网,其中,主网用于确定待识别人脸图像的特征,第一子网用于根据待识别人脸图像的特征确定第一标签,第二子网用于根据待识别人脸图像的特征确定第二标签。
在一些实施例中,第一标签包括待识别人脸图像的身份标签、第二标签包括待识别人脸图像的人脸属性标签;或者,第一标签包括待识别人脸图像的人脸属性标签,第二标签包括待识别人脸图像的身份标签。
根据本公开的第三方面,提供了一种用于训练人脸图像识别模型的装置,包括:第一获取单元,被配置为从训练数据集中获取人脸图像、人脸图像对应的标签,以及获取人脸图像的目标第一特征;预测单元,被配置为采用初始人脸图像识别模型,确定人脸图像的预测第一特征、以及预测第二特征;第一构建单元,被配置为采用目标第一特征与预测第一特征,构建初始人脸图像识别模型的第一损失函数;第二构建单元,被配置为采用标签所指示的人脸图像的目标样本特征、与预测第二特征,构建初始人脸图像识别模型的第二损失函数;训练单元,被配置为采用第一损失函数以及第二损失函数,训练初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型。
在一些实施例中,第一获取单元,包括:获取模块,被配置为采用训练好的第一人脸特征识别模型,确定人脸图像的目标第一特征。
在一些实施例中,该装置包括:第二获取单元,被配置为采用训练好的第二人脸特征识别模型,确定人脸图像的目标第二特征;第三构建单元,被配置为采用目标样本特征以及目标第二特征,构建初始人脸图像识别模型的第三损失函数;训练单元,包括:训练模块,被配置为采用第一损失函数、第二损失函数以及第三损失函数,训练初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型。
在一些实施例中,标签包括人脸图像的人脸属性标签,目标第一特征包括人脸图像的身份特征;或者,标签包括人脸图像的身份标签,目标第一特征包括人脸图像的人脸属性特征。
根据本公开的第四方面,提供了一种用于识别人脸图像的装置,包括:第三获取单元,被配置为获取待识别人脸图像,以及目标人脸图像识别模型,其中,目标人脸图像识别模型基于以下步骤确定:采用初始人脸图像识别模型,确定人脸图像的预测第一特征、以及预测第二特征;采用目标第一特征与预测第一特征,构建初始人脸图像识别模型的第一损失函数;采用标签所指示的人脸图像的目标样本特征与预测第二特征,构建初始人脸图像识别模型的第二损失函数;采用第一损失函数以及第二损失函数,训练初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型;其中,标签从训练数据集中获取,目标第一特征基于训练数据集合或者基于特征识别模型获取;识别单元,被配置为采用目标人脸图像识别模型,确定待识别人脸图像的第一标签以及第二标签。
在一些实施例中,目标人脸图像识别模型包括主网、第一子网以及第二子网,其中,主网用于确定待识别人脸图像的特征,第一子网用于根据待识别人脸图像的特征确定第一标签,第二子网用于根据待识别人脸图像的特征确定第二标签。
在一些实施例中,第一标签包括待识别人脸图像的身份标签、第二标签包括待识别人脸图像的人脸属性标签;或者,第一标签包括待识别人脸图像的人脸属性标签,第二标签包括待识别人脸图像的身份标签。
根据本公开的第五方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器:存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面提供的用于训练人脸图像识别模型的方法或者实现如第二方面提供的用于识别人脸图像的方法。
根据本公开的第六方面,本公开的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,其中,程序被处理器执行时实现第一方面提供的用于训练人脸图像识别模型的方法或者实现如第二方面提供的用于识别人脸图像的方法。
本公开提供的用于训练人脸图像识别模型的方法、装置,从训练数据集中获取人脸图像、人脸图像对应的标签,以及获取人脸图像的目标第一特征;采用初始人脸图像识别模型,确定人脸图像的预测第一特征、以及预测第二特征;采用目标第一特征与预测第一特征,构建初始人脸图像识别模型的第一损失函数;采用标签所指示的人脸图像的目标样本特征、与预测第二特征,构建初始人脸图像识别模型的第二损失函数;采用第一损失函数以及第二损失函数,训练初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型,可以提高训练初始人脸图像识别模型的效率、人脸特征数据的利用率;另外,训练完成的目标人脸图像识别模型可以提升人脸识别的效率以及降低系统计算成本。
根据本申请的技术解决了目前的人脸识别方法存在识别效率低、以及计算成本高的问题。
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,不构成对本申请的限定。其中:
图1是本申请的实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于训练人脸图像识别模型的方法的一个实施例的流程图;
图3是根据本申请的用于识别人脸图像的方法的一个实施例的流程图;
图4是根据本申请的用于训练人脸图像识别模型的装置的一个实施例的结构示意图;
图5是根据本申请的用于识别人脸图像的装置的一个实施例的结构示意图;
图6是用来实现本申请实施例的用于训练人脸图像识别模型的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请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,而不会背离本申请的范围和精神。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的用于训练人脸图像识别模型的方法或用于训练人脸图像识别模型的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如人脸识别类、聊天类应用、购物类应用、金融类应用、图像类应用、视频类应用等。
终端设备101、102、103可以是具有显示屏并且支持接收服务器消息的各种电子设备,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 PictureExperts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPicture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机、汽车中用于避让行人或者障碍物的设备等等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,当终端设备101、102、103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的多个软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以从训练数据集中获取人脸图像、人脸图像的标签以及人脸图像的目标第一特征,采用初始人脸图像识别模型确定人脸图像的预测第一特征以及预测第二特征,并利用目标第一特征与预测第一特征,构建初始人脸图像识别模型的第一损失函数,以及,利用标签所指示的人脸图像的目标样本特征、与预测第二特征,构建初始人脸图像识别模型的第二损失函数,之后,采用第一损失函数以及第二损失函数,训练初始人脸图像识别模型以得到训练完成的目标人脸图像识别模型。
需要说明的是,本公开的实施例所提供的用于训练人脸图像识别模型的方法一般由服务器105执行,相应地,用于训练人脸图像识别模型的装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络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设备、网络和服务器。
继续参考图2,示出了根据本公开的用于训练人脸图像识别模型的方法的一个实施例的流程200,包括以下步骤:
步骤201,从训练数据集中获取人脸图像、人脸图像对应的标签,以及获取人脸图像的目标第一特征。
在本实施例中,用于训练人脸图像识别模型的方法的执行主体(例如图1所示的装置105)可以通过有线或者无线的方式从训练数据集中获取人脸图像,人脸图像对应的标签,以及该人脸图像的目标第一特征。其中,人脸图像的标签可以是人脸图像中人物的年龄标签、种族标签、性别标签、情绪标签等属性标签;目标第一特征可以是人脸图像中人物的身份特征等。
步骤202,采用初始人脸图像识别模型,确定人脸图像的预测第一特征、以及预测第二特征。
在本实施例中,可以采用初始人脸图像识别模型确定出人脸图像的预测第一特征、以及预测第二特征。其中,预测第一特征可以是预测的人脸图像中人物的身份特征;预测第二特征可以是预测的人脸图像中人物的年龄标签、种族标签、性别标签、情绪标签等属性标签。
步骤203,采用目标第一特征与预测第一特征,构建初始人脸图像识别模型的第一损失函数。
在本实施例中,可以将目标第一特征与预测第一特征进行比较,并根据比较结果构建初始人脸图像识别模型的第一损失函数。
步骤204,采用标签所指示的人脸图像的目标样本特征、与预测第二特征,构建初始人脸图像识别模型的第二损失函数。
在本实施例中,可以将人脸图像的标签所指示的人脸图像的目标样本特征,与预测第二特征进行比较,并根据比较结果构建初始人脸图像识别模型的第二损失函数。
步骤205,采用第一损失函数以及第二损失函数,训练初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型。
在本实施例中,可以根据构建的第一损失函数以及第二损失函数,对初始人脸图像识别模型进行训练,并利用训练后的初始人脸图像识别模型对人脸图像的第一特征与第二特征进行预测,并基于得到的预测第一特征、预测第二特征再次构建第一损失函数以及第二损失函数,并用再次构建的第一损失函数以及第二损失函数继续训练模型,在训练次数达到预设次数或者预测特征的损失值达到预设阈值之后,停止多轮迭代训练,并得到训练完成的目标人脸图像识别模型。
本实施例提供的用于训练人脸图像识别模型的方法,从训练数据集中获取人脸图像、人脸图像对应的标签,以及获取人脸图像的目标第一特征;采用初始人脸图像识别模型,确定人脸图像的预测第一特征、以及预测第二特征,采用目标第一特征与预测第一特征,构建初始人脸图像识别模型的第一损失函数,并采用标签所指示的人脸图像的目标样本特征、与预测第二特征,构建初始人脸图像识别模型的第二损失函数,之后,采用第一损失函数以及第二损失函数,训练初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型,可以对初始人脸图像识别模型进行多种学习任务的联合训练,提高训练初始人脸图像识别模型的效率以及提高人脸特征数据的利用率。
可选地,获取人脸图像的目标第一特征,包括:采用训练好的第一人脸特征识别模型,确定人脸图像的目标第一特征。
在本实施例中,可以通过互联网、本地存储或者云端存储,获取训练好的第一人脸特征识别模型,并利用已经训练好的第一人脸特征识别模型,确定训练数据集中人脸图像的目标第一特征。例如,利用训练好的身份识别模型,确定带有年龄标签(或者其他属性标签)的训练数据集中人脸图像中的人物的身份特征。
本实施例中,利用训练好的人脸特征识别模型识别带有标签的训练数据集中人脸图像的、与标签指示的特征不同的人脸图像的特征,并利用训练数据集的标签,以及识别出的、与标签指示的特征不同的人脸图像的特征对初始人脸图像识别模型进行训练,可以扩充可用训练数据集的数量,提高训练模型的学习精度,从而提高训练完成的目标人脸图像识别模型的识别准确性。
可选地,用于训练人脸图像识别模型的方法包括:采用训练好的第二人脸特征识别模型,确定人脸图像的目标第二特征;采用目标样本特征以及目标第二特征,构建初始人脸图像识别模型的第三损失函数;采用第一损失函数以及第二损失函数,训练初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型,包括:采用第一损失函数、第二损失函数以及第三损失函数,训练初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型。
在本实施例中,可以通过互联网、本地存储或者云端存储,获取训练好的第二人脸特征识别模型,并利用训练好的第二人脸特征识别模型,确定训练数据集中人脸图像的目标第二特征,其中,第二人脸特征识别模型可以是用于识别人脸图像中人物的年龄特征、性别特征、种族特征、情绪特征等人脸属性特征的模型,目标第二特征可以是人脸图像中人物的年龄特征、性别特征、种族特征、情绪特征等人脸属性特征。
在本实施例中,可以采用目标样本特征以及目标第二特征,构建初始人脸图像识别模型的第三损失函数,目标样本特征与目标第二特征可以表示相同的特征,例如,目标样本特征可以表示年龄特征,则目标第二特征也表示年龄特征,即,第二人脸特征识别模型可以用于识别与上述人脸图像的标签、相同的人脸图像标签。
在本实施例中,可以采用目标样本特征与目标第二特征,构建初始人脸图像识别模型的第三损失函数,并利用构建的第一损失函数、第二损失函数以及第三损失函数共同训练初始人脸图像识别模型已得到训练完成的目标人脸图像识别模型。具体地,可以利用第一损失函数、第二损失函数以及第三损失函数的加权结果训练初始人脸图像识别模型,当需求人脸图像识别模型侧重于识别某一特征/标签时,可以提升对应的损失函数的权重。
本实施例中,在训练初始人脸图像识别模型时,不仅采用训练数据集中直接获取到的人脸图像的标签对初始人脸图像识别模型进行训练,还采用训练好的、用于识别上述标签所指示的特征的人脸特征识别模型对训练数据集中的人脸图像进行特征识别,并基于识别结果训练初始人脸图像识别模型,可以提高训练后的初始人脸图像识别模型的识别准确性,以及避免训练数据集的误差所造成的训练误差。
可选地,标签包括人脸图像的人脸属性标签,目标第一特征包括人脸图像的身份特征;或者,标签包括人脸图像的身份标签,目标第一特征包括人脸图像的人脸属性特征。
在本实施例中,人脸图像的标签可以包括人脸图像的人脸属性标签,例如,人脸图像中的人物的年龄标签、性别标签、情绪标签或者种族标签等;此时,人脸图像的目标第一特征可以包括人脸图像的身份特征,例如,人脸图像中人物的身份标识。
在本实施例中,人脸图像的标签可以是人脸图像中人物的身份标签,例如,人脸图像中人物的身份标识;此时,人脸图像的目标第一特征可以包括人脸图像的人脸属性特征,例如,人脸图像中人物的年龄特征、性别特征、情绪特征或者种族特征等。
在一些应用场景中,可以首先从身份数据集中获取人脸图像、对应的身份标签;从年龄数据集中获取人脸图像、对应的年龄标签;从性别数据集中获取人脸图像、对应的性别标签。
其次,采用训练好的身份特征识别模型,分别确定三个样本数据集(身份数据集、年龄数据集、性别数据集)中人脸图像的目标身份特征;采用训练好的年龄特征识别模型,分别确定三个样本数据集中人脸图像的目标年龄特征;采用训练好的性别特征识别模型,分别确定三个样本数据集中人脸图像的目标性别特征;可以理解,此时,每一个样本数据集中的人脸图像均包含了三种特征(目标身份特征、目标年龄特征、目标性别特征)、以及一种标签(其所在的样本数据集的标签)。
然后,采用初始人脸图像识别模型,确定各个样本数据集中的人脸图像的预测身份特征、预测年龄特征、预测性别特征;
之后,采用预测身份特征与目标身份特征构建第一损失函数;采用预测年龄特征与目标年龄特征构建第二年龄损失函数;采用预测性别特征与目标性别特征构建第二性别损失函数。
针对身份数据集中的人脸图像,采用预测身份特征与身份标签所指示的身份特征构建第三身份损失函数;针对年龄数据集中的人脸图像,采用预测年龄特征与年龄标签所指示的年龄特征构建第三年龄损失函数;针对性别数据集中的人脸图像,采用预测性别特征与性别标签所指示的性别特征构建第三性别损失函数。本示例中,损失函数可以是相对熵损失或者交叉熵损失等。
可以理解,此时,基于每一个数据集中的人脸图像均建立了四种损失函数:基于训练好的身份特征识别模型识别的目标身份特征、与预测身份特征建立的损失函数;基于训练好的年龄特征识别模型识别的目标年龄特征、与预测年龄特征建立的损失函数;基于训练好的性别特征识别模型识别的目标性别特征、与预测性别特征建立的损失函数;以及,基于训练好的身份(或者年龄/性别)识别模型识别的目标身份(或者年龄/性别)特征、与身份(或者年龄/性别)标签所指示的身份(或者年龄/性别)特征建立的损失函数。
针对每一个数据集中的人脸图像,基于对应的四种损失函数的加权结果,训练初始人脸图像识别模型,并得到训练后的目标人脸图像识别模型。
进一步参考图3,示出了根据本公开的用于识别人脸图像的方法的一个实施例的流程300,包括以下步骤:
步骤301,获取待识别人脸图像,以及目标人脸图像识别模型,其中,目标人脸图像识别模型基于以下步骤确定:采用初始人脸图像识别模型,确定人脸图像的预测第一特征、以及预测第二特征;采用目标第一特征与预测第一特征,构建初始人脸图像识别模型的第一损失函数;采用标签所指示的人脸图像的目标样本特征与预测第二特征,构建初始人脸图像识别模型的第二损失函数;采用第一损失函数以及第二损失函数,训练初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型;其中,标签从训练数据集中获取,目标第一特征基于训练数据集合或者基于特征识别模型获取。
在本实施例中,用于识别人脸图像的方法的执行主体(例如图1所示的装置105)可以获取待识别人脸图像、以及目标人脸图像识别模型。其中,目标人脸图像识别模型可以基于以下步骤确定:采用初始人脸图像识别模型,确定人脸图像的预测第一特征、以及预测第二特征;采用目标第一特征与预测第一特征,构建初始人脸图像识别模型的第一损失函数;采用标签所指示的人脸图像的目标样本特征与预测第二特征,构建初始人脸图像识别模型的第二损失函数;采用第一损失函数以及第二损失函数,训练初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型;其中,标签从训练数据集中获取,目标第一特征基于训练数据集合或者基于特征识别模型获取。
步骤302,采用目标人脸图像识别模型,确定待识别人脸图像的第一标签以及第二标签。
在本实施例中,可以将待识别人脸图像输入目标人脸图像识别模型中,以获得目标人脸图像识别模型输出的、待识别人脸图像的第一标签以及第二标签。
本实施例提供的用于识别人脸图像的方法,获取待识别人脸图像,以及目标人脸图像识别模型,并采用目标人脸图像识别模型,确定待识别人脸图像的第一标签以及第二标签,可以提高确定待识别人脸图像的多重标签的效率,并且通过一次识别确定多重标签可以降低硬件计算成本。
可选地,目标人脸图像识别模型包括主网、第一子网以及第二子网,其中,主网用于确定待识别人脸图像的特征,第一子网用于根据待识别人脸图像的特征确定第一标签,第二子网用于根据待识别人脸图像的特征确定第二标签。
在本实施例中,目标人脸图像识别模型包括主网、第一子网以及第二子网。其中,主网用于确定/提取待识别人脸图像的图像特征,第一子网用于根据该图像特征识别待识别人脸图像的第一标签,第二子网用于根据该图像特征识别待识别人脸图像的第二标签。可以理解,基于多重标签识别的需求,目标人脸图像识别模型中还可以包含第三子网、第四子网等。
例如,目标人脸图像识别模型可以包括用于提取人脸图像特征的主网络、用于识别身份标签的身份特征确定子网、用于识别年龄标签的年龄特征确定子网、用于识别性别标签的性别特征确定子网:
fshare=Fbackbone(X) (1)
fid=FID(fshare) (2)
fage=FAge(fshare) (3)
fgender=FGender(fshare) (4)
其中,X为待识别人脸图像,Fbackbone代表目标人脸图像识别模型的主网络,fshare代表主网络提取出的待识别人脸图像的共享特征/基础特征,FID代表身份特征确定子网、fid代表待识别人脸图像的身份预测结果,Fage代表年龄特征确定子网、fage代表待识别人脸图像的年龄预测结果,FGender代表性别特征确定子网、fgender代表待识别人脸图像的性别预测结果。
本实施例中,通过一次特征提取即可确定待识别人脸图像的多重标签,可以提升确定人脸图像的标签的效率以及提升获取到的人脸图像数据的信息利用率。
可选地,第一标签包括待识别人脸图像的身份标签、第二标签包括待识别人脸图像的人脸属性标签;或者,第一标签包括待识别人脸图像的人脸属性标签,第二标签包括待识别人脸图像的身份标签。
在本实施例中,第一标签可以是待识别人脸图像的身份标签;相应的,此时,第二标签可以包括待识别人脸图像的如年龄标签、性别标签、种族标签、情绪标签等人脸属性标签。
在本实施例中,第一标签可以包括待识别人脸图像的如年龄标签、性别标签、种族标签、情绪标签等人脸属性标签;相应的,此时,第二标签可以是待识别人脸图像的身份标签。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种用于训练人脸图像识别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,本实施例的用于训练人脸图像识别模型的装置400包括:第一获取单元401、预测单元402、第一构建单元403、第二构建单元404、训练单元405。其中,第一获取单元,被配置为从训练数据集中获取人脸图像、人脸图像对应的标签,以及获取人脸图像的目标第一特征;预测单元,被配置为采用初始人脸图像识别模型,确定人脸图像的预测第一特征、以及预测第二特征;第一构建单元,被配置为采用目标第一特征与预测第一特征,构建初始人脸图像识别模型的第一损失函数;第二构建单元,被配置为采用标签所指示的人脸图像的目标样本特征、与预测第二特征,构建初始人脸图像识别模型的第二损失函数;训练单元,被配置为采用第一损失函数以及第二损失函数,训练初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型。
在一些实施例中,第一获取单元,包括:获取模块,被配置为采用训练好的第一人脸特征识别模型,确定人脸图像的目标第一特征。
在一些实施例中,该装置包括:第二获取单元,被配置为采用训练好的第二人脸特征识别模型,确定人脸图像的目标第二特征;第三构建单元,被配置为采用目标样本特征以及目标第二特征,构建初始人脸图像识别模型的第三损失函数;训练单元,包括:训练模块,被配置为采用第一损失函数、第二损失函数以及第三损失函数,训练初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型。
在一些实施例中,标签包括人脸图像的人脸属性标签,目标第一特征包括人脸图像的身份特征;或者,标签包括人脸图像的身份标签,目标第一特征包括人脸图像的人脸属性特征。
上述装置400中的各单元与参考图2描述的方法中的步骤相对应。由此上文针对用于训练人脸图像识别模型的方法描述的操作、特征及所能达到的技术效果同样适用于装置400及其中包含的单元,在此不再赘述。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于识别人脸图像的装置的一个实施例,该装置实施例与图3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5所示,本实施例的用于识别人脸图像的装置500包括:第三获取单元501、识别单元502。其中,第三获取单元,被配置为获取待识别人脸图像,以及目标人脸图像识别模型,其中,目标人脸图像识别模型基于以下步骤确定:采用初始人脸图像识别模型,确定人脸图像的预测第一特征、以及预测第二特征;采用目标第一特征与预测第一特征,构建初始人脸图像识别模型的第一损失函数;采用标签所指示的人脸图像的目标样本特征与预测第二特征,构建初始人脸图像识别模型的第二损失函数;采用第一损失函数以及第二损失函数,训练初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型;其中,标签从训练数据集中获取,目标第一特征基于训练数据集合或者基于特征识别模型获取;识别单元,被配置为采用目标人脸图像识别模型,确定待识别人脸图像的第一标签以及第二标签。
在一些实施例中,目标人脸图像识别模型包括主网、第一子网以及第二子网,其中,主网用于确定待识别人脸图像的特征,第一子网用于根据待识别人脸图像的特征确定第一标签,第二子网用于根据待识别人脸图像的特征确定第二标签。
在一些实施例中,第一标签包括待识别人脸图像的身份标签、第二标签包括待识别人脸图像的人脸属性标签;或者,第一标签包括待识别人脸图像的人脸属性标签,第二标签包括待识别人脸图像的身份标签。
上述装置500中的各单元与参考图3描述的方法中的步骤相对应。由此上文针对用于识别人脸图像的方法描述的操作、特征及所能达到的技术效果同样适用于装置500及其中包含的单元,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的用于训练人脸图像识别模型的方法的电子设备600的框图。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/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,该存储器存储有可由至少一个处理器执行的指令,以使该至少一个处理器执行本申请所提供的用于训练人脸图像识别模型的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的用于训练人脸图像识别模型的方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的用于训练人脸图像识别模型的方法对应的程序指令/模块(例如,附图4所示的第一获取单元401、预测单元402、第一构建单元403、第二构建单元404、训练单元405)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的用于训练人脸图像识别模型的方法。
存储器602可以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、至少一个功能所需要的应用程序;存储数据区可存储根据用于提取视频片段的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至用于提取视频片段的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于训练人脸图像识别模型的方法的电子设备还可以包括:输入装置603、输出装置604以及总线605。处理器601、存储器602、输入装置603和输出装置604可以通过总线605或者其他方式连接,图6中以通过总线605连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与用于提取视频片段的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处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、专用ASIC(专用集成电路)、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。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
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。
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,只要能够实现本申请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,并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (16)
1.一种用于训练人脸图像识别模型的方法,包括:
从训练数据集中获取人脸图像、所述人脸图像对应的标签,以及获取所述人脸图像的目标第一特征;
采用初始人脸图像识别模型,确定所述人脸图像的预测第一特征、以及预测第二特征;
采用所述目标第一特征与所述预测第一特征,构建所述初始人脸图像识别模型的第一损失函数;
采用所述标签所指示的所述人脸图像的目标样本特征、与所述预测第二特征,构建所述初始人脸图像识别模型的第二损失函数;
采用所述第一损失函数以及所述第二损失函数,训练所述初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型。
2.根据权利要求1所述的方法,其中,所述获取所述人脸图像的目标第一特征,包括:
采用训练好的第一人脸特征识别模型,确定所述人脸图像的目标第一特征。
3.根据权利要求1所述的方法,其中,所述方法包括:
采用训练好的第二人脸特征识别模型,确定所述人脸图像的目标第二特征;
采用所述目标样本特征以及所述目标第二特征,构建所述初始人脸图像识别模型的第三损失函数;
所述采用所述第一损失函数以及所述第二损失函数,训练所述初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型,包括:
采用所述第一损失函数、所述第二损失函数以及所述第三损失函数,训练所述初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型。
4.根据权利要求1-3之一所述的方法,其中,所述标签包括所述人脸图像的人脸属性标签,所述目标第一特征包括所述人脸图像的身份特征;或者,所述标签包括所述人脸图像的身份标签,所述目标第一特征包括所述人脸图像的人脸属性特征。
5.一种用于识别人脸图像的方法,包括:
获取待识别人脸图像,以及目标人脸图像识别模型,其中,所述目标人脸图像识别模型基于以下步骤确定:采用初始人脸图像识别模型,确定人脸图像的预测第一特征、以及预测第二特征;采用目标第一特征与所述预测第一特征,构建所述初始人脸图像识别模型的第一损失函数;采用标签所指示的所述人脸图像的目标样本特征与所述预测第二特征,构建所述初始人脸图像识别模型的第二损失函数;采用所述第一损失函数以及所述第二损失函数,训练所述初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型;其中,所述标签从训练数据集中获取,所述目标第一特征基于所述训练数据集合或者基于特征识别模型获取;
采用所述目标人脸图像识别模型,确定所述待识别人脸图像的第一标签以及第二标签。
6.根据权利要求5所述的方法,其中,所述目标人脸图像识别模型包括主网、第一子网以及第二子网,其中,所述主网用于确定所述待识别人脸图像的特征,所述第一子网用于根据所述待识别人脸图像的特征确定所述第一标签,所述第二子网用于根据所述待识别人脸图像的特征确定所述第二标签。
7.根据权利要求5-6之一所述的方法,其中,所述第一标签包括所述待识别人脸图像的身份标签、所述第二标签包括所述待识别人脸图像的人脸属性标签;或者,所述第一标签包括所述待识别人脸图像的人脸属性标签,所述第二标签包括所述待识别人脸图像的身份标签。
8.一种用于训练人脸图像识别模型的装置,包括:
第一获取单元,被配置为从训练数据集中获取人脸图像、所述人脸图像对应的标签,以及获取所述人脸图像的目标第一特征;
预测单元,被配置为采用初始人脸图像识别模型,确定所述人脸图像的预测第一特征、以及预测第二特征;
第一构建单元,被配置为采用所述目标第一特征与所述预测第一特征,构建所述初始人脸图像识别模型的第一损失函数;
第二构建单元,被配置为采用所述标签所指示的所述人脸图像的目标样本特征、与所述预测第二特征,构建所述初始人脸图像识别模型的第二损失函数;
训练单元,被配置为采用所述第一损失函数以及所述第二损失函数,训练所述初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型。
9.根据权利要求8所述的装置,其中,所述第一获取单元,包括:
获取模块,被配置为采用训练好的第一人脸特征识别模型,确定所述人脸图像的目标第一特征。
10.根据权利要求8所述的装置,其中,所述装置包括:
第二获取单元,被配置为采用训练好的第二人脸特征识别模型,确定所述人脸图像的目标第二特征;
第三构建单元,被配置为采用所述目标样本特征以及所述目标第二特征,构建所述初始人脸图像识别模型的第三损失函数;
所述训练单元,包括:
训练模块,被配置为采用所述第一损失函数、所述第二损失函数以及所述第三损失函数,训练所述初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型。
11.根据权利要求8-10之一所述的装置,其中,所述标签包括所述人脸图像的人脸属性标签,所述目标第一特征包括所述人脸图像的身份特征;或者,所述标签包括所述人脸图像的身份标签,所述目标第一特征包括所述人脸图像的人脸属性特征。
12.一种用于识别人脸图像的装置,包括:
第三获取单元,被配置为获取待识别人脸图像,以及目标人脸图像识别模型,其中,所述目标人脸图像识别模型基于以下步骤确定:采用初始人脸图像识别模型,确定人脸图像的预测第一特征、以及预测第二特征;采用目标第一特征与所述预测第一特征,构建所述初始人脸图像识别模型的第一损失函数;采用标签所指示的所述人脸图像的目标样本特征与所述预测第二特征,构建所述初始人脸图像识别模型的第二损失函数;采用所述第一损失函数以及所述第二损失函数,训练所述初始人脸图像识别模型,得到训练完成的目标人脸图像识别模型;其中,所述标签从训练数据集中获取,所述目标第一特征基于所述训练数据集合或者基于特征识别模型获取;
识别单元,被配置为采用所述目标人脸图像识别模型,确定所述待识别人脸图像的第一标签以及第二标签。
13.根据权利要求12所述的装置,其中,所述目标人脸图像识别模型包括主网、第一子网以及第二子网,其中,所述主网用于确定所述待识别人脸图像的特征,所述第一子网用于根据所述待识别人脸图像的特征确定所述第一标签,所述第二子网用于根据所述待识别人脸图像的特征确定所述第二标签。
14.根据权利要求12-13之一所述的装置,其中,所述第一标签包括所述待识别人脸图像的身份标签、所述第二标签包括所述待识别人脸图像的人脸属性标签;或者,所述第一标签包括所述待识别人脸图像的人脸属性标签,所述第二标签包括所述待识别人脸图像的身份标签。
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 |
---|---|---|---|
CN202011517505.7A CN113780046A (zh) | 2020-12-21 | 2020-12-21 | 用于训练人脸图像识别模型的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011517505.7A CN113780046A (zh) | 2020-12-21 | 2020-12-21 | 用于训练人脸图像识别模型的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780046A true CN113780046A (zh) | 2021-12-10 |
Family
ID=78835348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011517505.7A Pending CN113780046A (zh) | 2020-12-21 | 2020-12-21 | 用于训练人脸图像识别模型的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780046A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084216A (zh) * | 2019-05-06 | 2019-08-02 | 苏州科达科技股份有限公司 | 人脸识别模型训练和人脸识别方法、系统、设备及介质 |
CN110826525A (zh) * | 2019-11-18 | 2020-02-21 | 天津高创安邦技术有限公司 | 一种人脸识别的方法及系统 |
CN111027490A (zh) * | 2019-12-12 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 人脸属性识别方法及装置、存储介质 |
CN111695415A (zh) * | 2020-04-28 | 2020-09-22 | 平安科技(深圳)有限公司 | 图像识别模型的构建方法、识别方法及相关设备 |
-
2020
- 2020-12-21 CN CN202011517505.7A patent/CN113780046A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084216A (zh) * | 2019-05-06 | 2019-08-02 | 苏州科达科技股份有限公司 | 人脸识别模型训练和人脸识别方法、系统、设备及介质 |
CN110826525A (zh) * | 2019-11-18 | 2020-02-21 | 天津高创安邦技术有限公司 | 一种人脸识别的方法及系统 |
CN111027490A (zh) * | 2019-12-12 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 人脸属性识别方法及装置、存储介质 |
CN111695415A (zh) * | 2020-04-28 | 2020-09-22 | 平安科技(深圳)有限公司 | 图像识别模型的构建方法、识别方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036509A (zh) | 用于训练图像识别模型的方法和装置 | |
CN111221984A (zh) | 多模态内容处理方法、装置、设备及存储介质 | |
CN111626202B (zh) | 用于识别视频的方法及装置 | |
CN111783870A (zh) | 人体属性的识别方法、装置、设备及存储介质 | |
CN111708922A (zh) | 用于表示异构图节点的模型生成方法及装置 | |
CN112001180A (zh) | 多模态预训练模型获取方法、装置、电子设备及存储介质 | |
CN111104514A (zh) | 文档标签模型的训练方法及装置 | |
JP6986187B2 (ja) | 人物識別方法、装置、電子デバイス、記憶媒体、及びプログラム | |
CN111522967A (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN113094550A (zh) | 视频检索方法、装置、设备和介质 | |
CN112235613B (zh) | 视频处理方法、装置、电子设备及存储介质 | |
CN111800493A (zh) | 信息内容推送方法、装置、电子设备和存储介质 | |
CN111680517A (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
CN112529180B (zh) | 模型蒸馏的方法和装置 | |
CN111984825A (zh) | 用于搜索视频的方法和装置 | |
CN112507090A (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
CN112149741A (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
CN111666771A (zh) | 文书的语义标签抽取、装置、电子设备及可读存储介质 | |
CN112382291B (zh) | 语音交互的处理方法、装置、电子设备及存储介质 | |
CN112529181A (zh) | 用于模型蒸馏的方法和装置 | |
CN112561059A (zh) | 用于模型蒸馏的方法和装置 | |
CN112560772A (zh) | 人脸的识别方法、装置、设备及存储介质 | |
CN112016524A (zh) | 模型训练方法、人脸识别方法、装置、设备和介质 | |
CN112382292A (zh) | 基于语音的控制方法和装置 | |
CN111738325A (zh) | 图像识别方法、装置、设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |