CN113989899A - 人脸识别模型中特征提取层的确定方法、设备和存储介质 - Google Patents

人脸识别模型中特征提取层的确定方法、设备和存储介质 Download PDF

Info

Publication number
CN113989899A
CN113989899A CN202111315762.7A CN202111315762A CN113989899A CN 113989899 A CN113989899 A CN 113989899A CN 202111315762 A CN202111315762 A CN 202111315762A CN 113989899 A CN113989899 A CN 113989899A
Authority
CN
China
Prior art keywords
layer
vector
clustering result
face
feature extraction
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
Application number
CN202111315762.7A
Other languages
English (en)
Inventor
李鑫
张刚
温圣召
冯浩城
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111315762.7A priority Critical patent/CN113989899A/zh
Publication of CN113989899A publication Critical patent/CN113989899A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种人脸识别模型中特征提取层的确定方法、设备和存储介质，涉及人工智能技术领域，具体为深度学习、计算机视觉技术领域。具体实现方案为：通过目标网络模型中的两个分支对同一个对象的两个人脸样本图像进行分析，以得到两个人脸样本图像的聚类结果向量，并基于所得到的聚类结果向量对目标网络模型进行训练，以得到训练好的目标网络模型，以及将训练好的目标网络模型中第一分支中的特征提取层确定出人脸识别模型的特征提取层。由此，提供了一种人脸识别模型的特征提取层的获取方式。

Description

人脸识别模型中特征提取层的确定方法、设备和存储介质
技术领域
本公开涉及人工智能技术领域，具体为深度学习、计算机视觉技术领域，尤其涉及人脸识别模型中特征提取层的确定方法、设备和存储介质。
背景技术
在对人脸图像进行分类的场景中，相关技术中通常采用人脸识别模型对人脸图像进行分类，而人脸识别模型中的特征提取层所提取到的人脸特征的准确性，对于人脸识别模型的分类是十分重要的。
发明内容
本公开提供了一种用于人脸识别模型中特征提取层的确定方法、设备和存储介质。
根据本公开的一方面，提供了一种人脸识别模型中特征提取层的确定方法，所述方法包括：将第一人脸样本图像输入到目标网络模型中的第一分支，以得到所述第一人脸样本图像的第一聚类结果向量，其中，所述第一分支包括依次连接的第一特征提取层和第一聚类层；将第二人脸样本图像输入到目标网络模型中的第二分支，以得到所述第二人脸样本图像的第二聚类结果向量，其中，所述第二分支包括依次连接的第二特征提取层和第二聚类层，所述第一人脸样本图像和所述第二人脸样本图像对应同一个对象；根据所述第一聚类结果向量和所述第二聚类结果向量，对所述目标网络模型进行训练，以得到训练好的目标网络模型；将所述训练好的目标网络模型中的第一特征提取层作为所述人脸识别模型中的特征提取层。
根据本公开的另一方面，提供了一种人脸识别模型中特征提取层的确定装置，所述装置包括：第一处理模块，用于将第一人脸样本图像输入到目标网络模型中的第一分支，以得到所述第一人脸样本图像的第一聚类结果向量，其中，所述第一分支包括依次连接的第一特征提取层和第一聚类层；第二处理模块，用于将第二人脸样本图像输入到目标网络模型中的第二分支，以得到所述第二人脸样本图像的第二聚类结果向量，其中，所述第二分支包括依次连接的第二特征提取层和第二聚类层，所述第一人脸样本图像和所述第二人脸样本图像对应同一个对象；训练模块，用于根据所述第一聚类结果向量和所述第二聚类结果向量，对所述目标网络模型进行训练，以得到训练好的目标网络模型；第一确定模块，用于将所述训练好的目标网络模型中的第一特征提取层作为所述人脸识别模型中的特征提取层。
根据本公开的另一方面，提供了一种电子设备，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本公开的人脸识别模型中特征提取层的确定方法。
根据本公开的另一方面，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，所述计算机指令用于使所述计算机执行本公开实施例公开的人脸识别模型中特征提取层的确定方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本公开的人脸识别模型中特征提取层的确定方法。
上述申请中的一个实施例具有如下优点或有益效果：
通过目标网络模型中的两个分支对同一个对象的两个人脸样本图像进行分析，以得到两个人脸样本图像的聚类结果向量，并基于所得到的聚类结果向量对目标网络模型进行训练，以得到训练好的目标网络模型，以及将训练好的目标网络模型中第一分支中的特征提取层确定出人脸识别模型的特征提取层。由此，提供了一种人脸识别模型的特征提取层的获取方式。
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的人脸识别模型中特征提取层的确定方法的流程示意图；
图2是根据本公开第二实施例的人脸识别模型中特征提取层的确定方法的流程示意图；
图3是根据本公开第三实施例的训练目标网络模型的流程示意图；
图4是根据本公开第四实施例的人脸识别模型中特征提取层的确定装置的结构示意图；
图5是根据本公开第五实施例的人脸识别模型中特征提取层的确定装置的结构示意图；
图6是用来实现本公开实施例的人脸识别模型中特征提取层的确定方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本公开实施例的人脸识别模型中特征提取层的确定方法、设备和存储介质。
图1是根据本公开第一实施例的人脸识别模型中特征提取层的确定方法的流程示意图。
如图1所示，该人脸识别模型中特征提取层的确定方法可以包括：
步骤101，将第一人脸样本图像输入到目标网络模型中的第一分支，以得到第一人脸样本图像的第一聚类结果向量，其中，第一分支包括依次连接的第一特征提取层和第一聚类层。
其中，需要说明的是，本实施的人脸识别模型中特征提取层的确定方法的执行主体为人脸识别模型中特征提取层的确定装置，该人脸识别模型中特征提取层的确定装置可以由软件和/或硬件实现，该人脸识别模型中特征提取层的确定装置可以配置在电子设备，该电子设备可以包括但不限于终端设备、服务器等，该实施例对电子设备不作具体限定。
其中，本实施例中的上述第一人脸样本图像可以为无标注的人脸样本图像，也可以为具有标注信息的人脸样本图像。
具体地，在将第一人脸样本图像目标网络模型中的第一分支中后，第一分支中的第一特征提取层对第一人脸样本图像进行特征提取，以得到第一人脸样本图像的第一人脸特征向量，并将第一人脸特征向量输入到第一聚类层，以通过第一聚类层对第一人脸特征向量进行聚类处理，以得到第一人脸样本图像的第一聚类结果向量。
步骤102，将第二人脸样本图像输入到目标网络模型中的第二分支，以得到第二人脸样本图像的第二聚类结果向量，其中，第二分支包括依次连接的第二特征提取层和第二聚类层，第一人脸样本图像和第二人脸样本图像对应同一个对象。
其中，本实施例中的上述第二人脸样本图像可以为无标注的人脸样本图像。由此，可以无需对图像进行标注，可降低训练模型的成本。
具体地，在将第二人脸样本图像目标网络模型中的第二分支中后，第二分支中的第二特征提取层对第二人脸样本图像进行特征提取，以得到第二人脸样本图像的第二人脸特征向量，并将第二人脸特征向量输入到第二聚类层，以通过第二聚类层对第二人脸特征向量进行聚类处理，以得到第二人脸样本图像的第二聚类结果向量。
在一些实施例中，第一特征提取层和第二特征提取层的网络结构可以是相同的。例如，上述第一特征提取层和第二特征提取层的网络结构可以为卷积神经网络(Convolutional Neural Networks,CNN)的网络结构。又例如，上述第一特征提取层和第二特征提取层的网络结构可以采用翻译transformer模型中的编码层的网络结构。
其中，本实施例中的上述第一聚类层和第二聚类层的网络结构也可以是相同的。例如，上述第一聚类层和第二聚类层可以采用多层感知机(MLP，Multilayer Perceptron)。
步骤103，根据第一聚类结果向量和第二聚类结果向量，对目标网络模型进行训练，以得到训练好的目标网络模型。
在一些实施例中，为了使得训练好的目标网络模型中的特征提取层可以提取到更有区分能力的人脸特征，上述训练目标网络模型的示例性实施方式为：根据第一聚类结果向量和第二聚类结果向量，确定目标网络模型的目标损失函数值；根据目标损失函数值，对目标网络模型进行更新，直至目标函数值收敛，以得到训练好的目标网络模型。
在一些实施例中，为了使得模型训练可以更新得更快，上述第一特征提取层和第二特征提取层具有相同的网络结构，第一聚类层和第二聚类层具有相同的网络结构，上述根据目标损失函数值，对目标网络模型进行更新的一种示例性的实施方式为：根据目标损失函数值，更新第二特征提取层的参数和第二聚类层的参数；根据更新后的第二特征提取层的参数更新第二特征提取层的参数，并根据更新后的第二聚类层的参数更新第一聚类层的参数。
在一些实施例中，可基于第二聚类层的参数以移动平均的方式更新第一聚类层的参数。也就是说，第一聚类层的参数是按照移动平均方式对第二聚类层的参数进行处理而得到的。
在一些实施例中，可基于第二特征提取层的参数以移动平均的方式更新第一特征提取层的参数。也就是说，第一特征提取层的参数是按照移动平均方式对第二特征提取层的参数进行处理而得到的。
步骤104，将训练好的目标网络模型中的第一特征提取层作为人脸识别模型中的特征提取层。
在一些实施例中，在将训练好的目标网络模型中的第一特征提取层作为人脸识别模型中的特征提取层之后，为了进一步提高后续人脸识别模型的准确性，还可以采用具有标注信息的人脸样本图像对人脸识别模型进行训练，以得到训练后的人脸识别模型。由此，基于训练后的人脸时模型对待识别人脸图像进行人脸识别，以准确确定出待识别人脸图像的人脸识别结果，例如，待识别人脸图像的分类结果。
本公开实施例的人脸识别模型中特征提取层的确定方法，通过目标网络模型中的两个分支对同一个对象的两个人脸样本图像进行分析，以得到两个人脸样本图像的聚类结果向量，并基于所得到的聚类结果向量对目标网络模型进行训练，以得到训练好的目标网络模型，以及将训练好的目标网络模型中第一分支中的特征提取层确定出人脸识别模型的特征提取层。由此，提供了一种人脸识别模型的特征提取层的获取方式。
基于上述实施例的基础上，为了使得人脸识别模型中特征提取层可以学习得到更有区分力的特征，在对目标网络模型进行训练的过程中，可结合队列和聚类的方式，对目标网络模型进行训练，从而可避免计算资源随训练数据的增大而线性增长，支持大规模数据下的人脸识别训练，同时通过全局在线聚类的方式，在一定程度上保存了全局困难样本的信息。下面结合图2对该实施例的方法进行进一步描述。
其中，需要说明的是，本实施例中的目标网络模型中的第一特征提取层和第二特征提取层具有相同的网络结构，并且，第一聚类层和第二聚类层具有相同的网络结构。另外，该目标网络模型还可以包括第一损失函数层、第二损失函数层和特征向量队列层，其中，特征向量队列层用于缓存第一特征提取层所输出的人脸特征向量。如图2所示，该方法可以包括：
步骤201，将第一人脸样本图像输入到目标网络模型中的第一分支，以得到第一人脸样本图像的第一聚类结果向量，其中，第一分支包括依次连接的第一特征提取层和第一聚类层。
步骤202，将第二人脸样本图像输入到目标网络模型中的第二分支，以得到第二人脸样本图像的第二聚类结果向量，其中，第二分支包括依次连接的第二特征提取层和第二聚类层，第一人脸样本图像和第二人脸样本图像对应同一个对象。
其中，需要说明的是，步骤201和步骤202的具体实现方式，可参见上述实施例的相关描述，此处不再赘述。
步骤203，获取第一特征提取层输出的第一人脸特征向量，并获取第二特征提取层输出的第二人脸特征向量。
步骤204，将由第一人脸特征向量和第二人脸特征向量构成的正样本对、以及由第二人脸特征向量和特征向量队列层中各历史人脸特征向量构成的负样本对，输入到第一损失函数层，以得到第一交叉熵损失值。
其中，需要说明的是，上述特征向量队列层所保存的人脸特征向量是动态更新的。例如，在训练模型的过程中，在通过第一分支中的特征提取层得到第一人脸样本图像的人脸特征向量的情况下，可将第一人脸样本图像的人脸特征向量插入到特征向量队列层的队头，并删除位于特征向量队列层的队尾处的人脸特征向量。
在一些实施例中，目标网络模型还可以包括：标签队列层。其中，上述标签队列层用于缓存输入到第一分支中的人脸样本图像所对应的实际标签，为了可以准确确定出第一交叉熵损失值，在目标网络模型还包括标签队列层的情况下，上述第一样本人脸图像可以为标注有标签的人脸图像，上述步骤204的一种示例性实施方式为：根据第一损失函数层，确定正样本对的第一预测标签以及各负样本对的第二预测标签；获取标签队列层中与第一人脸特征向量对应的第一实际标签；获取标签队列层中与各负样本对中的历史人脸特征向量对应的第二实际标签；根据第一实际标签和第一预测标签、各标签向量与对应的第二实际标签，确定第一交叉熵损失值。
具体地，可将第一实际标签和第一预测标签、各标签向量与对应的第二实际标签输入到交叉熵损失计算模型中，以得到该交叉熵损失计算模型得到第一交叉熵损失值。
其中，需要理解的是，上述标签队列层所保存的标签向量是动态更新的。例如，在训练模型的过程中，在获取到第一人脸样本图像所对应标签的标签向量的情况下，可将第一人脸样本图像所对应的标签向量插入到标签队列层的队头，并删除位于标签队列层的队尾处的标签向量。
步骤205，将第一聚类结果向量和第二聚类结果向量输入到第二损失函数层，以得到第二交叉熵损失值。
在一些实施例中，为了可以准确确定出第二交叉熵损失值，上述将第一聚类结果向量和第二聚类结果向量输入到第二损失函数层，以得到第二交叉熵损失值的一种示例性的实施方式为：通过第二损失函数层中的第二损失函数，计算第一聚类结果向量和第二聚类结果向量之间的交叉熵损失，并将计算所的得到交叉熵损失作为第二交叉熵损失值。
步骤206，对第一交叉熵损失值和第二交叉熵损失值进行加权求和，以得到目标网络模型的目标损失函数值。
具体地，可将第一交叉熵损失值与对应的第一权重系数的乘积，以及第二交叉熵损失值与对应的第二权重系数的乘积进行相加，并将所得到的值作为目标网络模型的目标损失函数值。
其中，目标网络模型的目标损失函数值l的计算公式为：
l＝w1*l1+w2*l2
其中，上述计算公式中的w1表示第一权重系数，w2表示第二权重系数，l1表示第一交叉熵损失值，l2表示第二交叉熵损失值。
步骤207，将训练好的目标网络模型中的第一特征提取层作为人脸识别模型中的特征提取层。
本实施例中，在训练目标网络模型的过程中，结合可结合队列和聚类的方式，对目标网络模型进行训练，可避免计算资源随训练数据的增大而线性增长，支持大规模数据下的人脸识别训练，同时通过全局在线聚类的方式，在一定程度上保存了全局困难样本的信息，从而可使得基于目标网络模型中的第一特征提取层所确定出的人脸识别模型中的特征提取层，可以学习到更有区分力的特征。
基于上述任意一个实施例的基础上，为了让聚类更加均匀，避免集中聚类到某几个类别，在将第一聚类结果向量和第二聚类结果向量输入到第二损失函数层，以得到第二交叉熵损失值之前，还可以获取第一分支的聚类结果中心向量；将第一聚类结果向量减去聚类结果中心向量，以得到更新后的第一聚类结果向量。
在一些实施例中，为了准确确定出第一分支对应的聚类结果中心向量，上述目标网络模型还可以包括：用于保存第一聚类层输出的聚类结果向量的聚类结果向量序列层，上述获取第一分支的聚类结果中心向量的一种示例性的实施方式为：对聚类结果向量序列层中的所有历史聚类结果向量进行求平均，以得到聚类结果平均向量；根据聚类结果平均向量，确定聚类结果中心向量。
例如，在模型训练时，可以按批量将人脸样本图像输入至模型中，假设聚成N类，聚类结果中心向量C为N维，对于第一分支，如果将B张人脸样本图像，经过第一特征提取层和第一聚类层后，可以得到B个N维聚类结果向量，对这B个N维聚类结果向量求平均得到聚类结果平均向量CB，其中，根据聚类结果平均向量CB，可以确定聚类结果中心向量为C＝m*C+(1-m)*CB。其中，m是预先设置的权重系数。
在一些实施例中，为了锐化”聚类中心间的差异，让聚类边界更明显，在将第一聚类结果向量和第二聚类结果向量输入到第二损失函数层，以得到第二交叉熵损失值之前，还可以根据第一分支对应的第一锐化因子，对第一聚类结果向量进行锐化处理；根据第二分支对应的第二锐化因子，对第二聚类结果向量进行锐化处理。
作为一种示例性的实施方式，可将第一聚类结果向量除以第一锐化因子，并将第二聚类结果向量除以第二锐化因子。
其中，上述第一锐化因子和第二锐化因子是在装置中预先设置的值，上述第一锐化因子和第二锐化因子的取值均在0到1之间。
在另一些实施例中，在将第一聚类结果向量和第二聚类结果向量输入到第二损失函数层，以得到第二交叉熵损失值之前，还可以：获取第一分支的聚类结果中心向量；将第一聚类结果向量减去聚类结果中心向量，以得到更新后的第一聚类结果向量，并根据第一分支对应的第一锐化因子，对更新后的第一聚类结果向量进行锐化处理，以及根据第二分支对应的第二锐化因子，对第二聚类结果向量进行锐化处理。由此，可以使得目标网络模型中的第二损失函数层可以基于处理后的第一聚类结果向量和第二聚类结果向量，准确确定出对应的交叉熵损失值。
为了使得本领域技术人员可以清楚了解本申请，下面结合图3对训练目标网络模型的过程进行示例性描述。其中，需要说明的是，本实施例以第一分支k中的第一特征提取层为CNNk，第一聚类层为MLPk，第二分支q中的第二特征提取层为CNNq，第二聚类层为MLPq为例进行描述。如图3所示，可以包括：
首先，将第一人脸样本图像输入到目标网络模型中的第一分支，以得到第一人脸样本图像的第一聚类结果向量，并将将第二人脸样本图像输入到目标网络模型中的第二分支，以得到第二人脸样本图像的第二聚类结果向量。
在本实施例中，上述第一人脸样本图像和第二人脸样本图像可以为对应同一个对象，例如，上述对象为用户对象，也就是说，上述第一人脸样本图像和第二人脸样本图像对应于同一个人。
具体地，将第一人脸样本图像输入到目标网络模型中的第一分支后，第一分支中的CNNk得到第一人脸样本图像的第一人脸特征向量Fk，并将第一人脸特征向量Fk输入到MLPk中，以得到第一人脸样本图像的第一聚类结果向量。
具体地，将第二人脸样本图像输入到目标网络模型中的第二分支后，第二分支中的CNNq得到第二人脸样本图像的第二人脸特征向量Fq，并将第二人脸特征向量Fq输入到MLPq中，以得到第二人脸样本图像的第二聚类结果向量。
其中，需要说明的是，本实施例中的CNNk和CNNq的网络结构是相同的。在初始化的过程中，上述CNNk和CNNq的参数是相同的。在训练的过程中，CNN进行反向传播，CNNk停止梯度回传。其中，CNNk的参数是CNNq的移动平均。
其中，需要说明的是，本实施例中的MLPk和MLPq的网络结构是相同的。在初始化的过程中，上述MLPk和MLPq的参数是相同的。在训练的过程中，MLP进行反向传播，MLPk停止梯度回传。其中，MLPk的参数是MLPq的移动平均。
其中，需要说明的是，通过队列缓存CNNk输出的第一人脸特征向量Fk及第一人脸特征向量Fk对应的标签，一个特征队列，一个标签队列。
其中，需要说明的是，本实施例中的特征队列和标签队列的长度是相同的，并且是固定。在训练过程中，可结合输入至第一分支k的人脸样本图像的人脸特征向量对特征队列进行更新，并结合该人脸特征向量对应的标签对标签队列进行更新。
例如，对于图3而言，图3中仅示意出了特征队列A。假设特征队列A的长度为3，其中，w+、w1 -和w2 -表示缓存在特征队列A中的人脸特征向量器，其中，需要说明的是，由于该特征队列A的长度为3，在将一个新的人脸特征向量插入到特征队列A的情况下，可将位于特征队列A的队尾的人脸特征向量删除。
具体地，可将第一人脸特征向量Fk缓存至特征队列A中，然后，将特征对象A中的人脸特征向量和第二人脸特征向量Fq输入到softmax中，以得到特征序列A对应的概率分布序列，并对概率分布序列进行交叉熵，以得到第一交叉熵损失值l1。
最后，通过对第一交叉熵损失值l1和第二交叉熵损失值l2进行加权求和，以得到最终的损失函数值L。
为了实现上述实施例，本公开实施例还提供一种人脸识别模型中特征提取层的确定装置。
图4是根据本公开第四实施例的人脸识别模型中特征提取层的确定装置的结构示意图。
如图4所示，该人脸识别模型中特征提取层的确定装置400可以包括第一处理模块401、第二处理模块402、训练模块403和第一确定模块404，其中：
第一处理模块401，用于将第一人脸样本图像输入到目标网络模型中的第一分支，以得到第一人脸样本图像的第一聚类结果向量，其中，第一分支包括依次连接的第一特征提取层和第一聚类层。
第二处理模块402，用于将第二人脸样本图像输入到目标网络模型中的第二分支，以得到第二人脸样本图像的第二聚类结果向量，其中，第二分支包括依次连接的第二特征提取层和第二聚类层，第一人脸样本图像和第二人脸样本图像对应同一个对象。
训练模块403，用于根据第一聚类结果向量和第二聚类结果向量，对目标网络模型进行训练，以得到训练好的目标网络模型。
第一确定模块404，用于将训练好的目标网络模型中的第一特征提取层作为人脸识别模型中的特征提取层。
其中，需要说明的是，前述对人脸识别模型中特征提取层的确定方法实施例的解释说明也适用于本实施例，本实施对此不再赘述。
本公开实施例的人脸识别模型中特征提取层的确定装置，通过目标网络模型中的两个分支对同一个对象的两个人脸样本图像进行分析，以得到两个人脸样本图像的聚类结果向量，并基于所得到的聚类结果向量对目标网络模型进行训练，以得到训练好的目标网络模型，以及将训练好的目标网络模型中第一分支中的特征提取层确定出人脸识别模型的特征提取层。由此，提供了一种人脸识别模型的特征提取层的获取方式。
在本公开的一个实施例中，如图5所示，该人脸识别模型中特征提取层的确定装置500可以包括：第一处理模块501、第二处理模块502、训练模块503、第一确定模块504、第一获取模块505、第二确定模块506、第二获取模块507、更新模块508、第一锐化处理模块509和第二锐化处理模块510。其中，训练模块503可以包括确定单元5031和更新单元5032。
其中，需要说明的是，关于第一处理模块501、第二处理模块502和第一处理模块504的详细描述请参考图4所示实施例中的第一处理模块401、第二处理模块402和第一处理模块404的说明，此处不再进行描述。
在本公开的一个实施例中，上述训练模块503，可以包括：
确定单元5031，用于根据第一聚类结果向量和第二聚类结果向量，确定目标网络模型的目标损失函数值。
更新单元5032，用于根据目标损失函数值，对目标网络模型进行更新，直至目标函数值收敛，以得到训练好的目标网络模型。
在本公开的一个实施例中，上述第一特征提取层和第二特征提取层具有相同的网络结构，第一聚类层和第二聚类层具有相同的网络结构，更新单元5032，具体用于：根据目标损失函数值，更新第二特征提取层的参数和第二聚类层的参数；根据更新后的第二特征提取层的参数更新第二特征提取层的参数，并根据更新后的第二聚类层的参数更新第一聚类层的参数。
在本公开的一个实施例中，上述目标网络模型还包括第一损失函数层、第二损失函数层和特征向量队列层，其中，特征向量队列层用于缓存第一特征提取层所输出的人脸特征向量，该装置还可以包括：
第一获取模块505，用于获取第一特征提取层输出的第一人脸特征向量，并获取第二特征提取层输出的第二人脸特征向量。
第二确定模块506，用于将由第一人脸特征向量和第二人脸特征向量构成的正样本对、以及由第二人脸特征向量和特征向量队列层中各历史人脸特征向量构成的负样本对，输入到第一损失函数层，以得到第一交叉熵损失值。
在本公开的一个实施例中，上述确定单元5032，具体用于：将第一聚类结果向量和第二聚类结果向量输入到第二损失函数层，以得到第二交叉熵损失值；对第一交叉熵损失值和第二交叉熵损失值进行加权求和，以得到目标网络模型的目标损失函数值。
在本公开的一个实施例中，上述目标网络模型还包括：标签队列层，第二确定模块506，具体用于：根据第一损失函数层，确定正样本对的第一预测标签以及各负样本对的第二预测标签；获取标签队列层中与第一人脸特征向量对应的第一实际标签；获取标签队列层中与各负样本对中的历史人脸特征向量对应的第二实际标签；根据第一实际标签和第一预测标签、各标签向量与对应的第二实际标签，确定第一交叉熵损失值。
在本公开的一个实施例中，上述装置还可以包括：
第二获取模块507，用于获取第一分支的聚类结果中心向量。
更新模块508，用于将第一聚类结果向量减去聚类结果中心向量，以得到更新后的第一聚类结果向量。
在本公开的一个实施例中，上述目标网络模型还包括：用于保存第一聚类层输出的聚类结果向量的聚类结果向量序列层，第二获取模块507，具体用于：对聚类结果向量序列层中的所有历史聚类结果向量进行求平均，以得到聚类结果平均向量；根据聚类结果平均向量，确定聚类结果中心向量。
在本公开的一个实施例中，上述装置还包括：
第一锐化处理模块509，用于根据第一分支对应的第一锐化因子，对第一聚类结果向量进行锐化处理。
第二锐化处理模块510，用于根据第二分支对应的第二锐化因子，对第二聚类结果向量进行锐化处理。
其中，需要说明的是，前述对人脸识别模型中特征提取层的确定方法实施例的解释说明也适用于本实施例中的人脸识别模型中特征提取层的确定装置，此处不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600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，该电子设备600可以包括计算单元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600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600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600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，例如人脸识别模型中特征提取层的确定方法。例如，在一些实施例中，人脸识别模型中特征提取层的确定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600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人脸识别模型中特征提取层的确定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)而被配置为执行人脸识别模型中特征提取层的确定方法。
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)、复杂可编程逻辑设备(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)、互联网和区块链网络。
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。服务器可以是云服务器，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。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (19)

1.一种人脸识别模型中特征提取层的确定方法，包括：
将第一人脸样本图像输入到目标网络模型中的第一分支，以得到所述第一人脸样本图像的第一聚类结果向量，其中，所述第一分支包括依次连接的第一特征提取层和第一聚类层；
将第二人脸样本图像输入到目标网络模型中的第二分支，以得到所述第二人脸样本图像的第二聚类结果向量，其中，所述第二分支包括依次连接的第二特征提取层和第二聚类层，所述第一人脸样本图像和所述第二人脸样本图像对应同一个对象；
根据所述第一聚类结果向量和所述第二聚类结果向量，对所述目标网络模型进行训练，以得到训练好的目标网络模型；
将所述训练好的目标网络模型中的第一特征提取层作为所述人脸识别模型中的特征提取层。
2.根据权利要求1所述的方法，其中，所述根据所述第一聚类结果向量和所述第二聚类结果向量，对所述目标网络模型进行训练，以得到训练好的目标网络模型，包括：
根据所述第一聚类结果向量和所述第二聚类结果向量，确定所述目标网络模型的目标损失函数值；
根据所述目标损失函数值，对所述目标网络模型进行更新，直至所述目标函数值收敛，以得到训练好的目标网络模型。
3.根据权利要求2所述的方法，其中，所述第一特征提取层和所述第二特征提取层具有相同的网络结构，所述第一聚类层和所述第二聚类层具有相同的网络结构，所述根据所述目标损失函数值，对所述目标网络模型进行更新，包括：
根据所述目标损失函数值，更新所述第二特征提取层的参数和所述第二聚类层的参数；
根据更新后的所述第二特征提取层的参数更新所述第二特征提取层的参数，并根据更新后的所述第二聚类层的参数更新所述第一聚类层的参数。
4.根据权利要求2所述的方法，其中，所述目标网络模型还包括第一损失函数层、第二损失函数层和特征向量队列层，其中，所述特征向量队列层用于缓存所述第一特征提取层所输出的人脸特征向量，所述方法还包括：
获取所述第一特征提取层输出的第一人脸特征向量，并获取所述第二特征提取层输出的第二人脸特征向量；
将由所述第一人脸特征向量和所述第二人脸特征向量构成的正样本对、以及由所述第二人脸特征向量和所述特征向量队列层中各历史人脸特征向量构成的负样本对，输入到所述第一损失函数层，以得到第一交叉熵损失值；
其中，所述根据所述第一聚类结果向量和所述第二聚类结果向量，确定所述目标网络模型的目标损失函数值，包括：
将所述第一聚类结果向量和所述第二聚类结果向量输入到所述第二损失函数层，以得到第二交叉熵损失值；
对所述第一交叉熵损失值和所述第二交叉熵损失值进行加权求和，以得到所述目标网络模型的目标损失函数值。
5.根据权利要求4所述的方法，其中，所述目标网络模型还包括：标签队列层，所述将由所述第一人脸特征向量和所述第二人脸特征向量构成的正样本对、以及由所述第二人脸特征向量和所述特征向量队列层中各历史人脸特征向量构成的负样本对，输入到所述第一损失函数层，以得到第一交叉熵损失值，包括：
根据所述第一损失函数层，确定所述正样本对的第一预测标签以及各所述负样本对的第二预测标签；
获取所述标签队列层中与所述第一人脸特征向量对应的第一实际标签；
获取所述标签队列层中与各所述负样本对中的历史人脸特征向量对应的第二实际标签；
根据所述第一实际标签和所述第一预测标签、各所述标签向量与对应的第二实际标签，确定第一交叉熵损失值。
6.根据权利要求4所述的方法，其中，在所述将所述第一聚类结果向量和所述第二聚类结果向量输入到所述第二损失函数层，以得到第二交叉熵损失值之前，所述方法包括：
获取所述第一分支的聚类结果中心向量；
将所述第一聚类结果向量减去所述聚类结果中心向量，以得到更新后的所述第一聚类结果向量。
7.根据权利要求6所述的方法，其中，所述目标网络模型还包括：用于保存所述第一聚类层输出的聚类结果向量的分类特征向量序列层，所述获取所述第一分支的聚类结果中心向量，包括：
对所述聚类结果向量序列层中的所有历史聚类结果向量进行求平均，以得到聚类结果平均向量；
根据所述聚类结果平均向量，确定所述聚类结果中心向量。
8.根据权利要求4-7任一项所述的方法，其中，在所述将所述第一聚类结果向量和所述第二聚类结果向量输入到所述第二损失函数层，以得到第二交叉熵损失值之前，所述方法还包括：
根据所述第一分支对应的第一锐化因子，对所述第一聚类结果向量进行锐化处理；
根据所述第二分支对应的第二锐化因子，对所述第二聚类结果向量进行锐化处理。
9.一种人脸识别模型中特征提取层的确定装置，包括：
第一处理模块，用于将第一人脸样本图像输入到目标网络模型中的第一分支，以得到所述第一人脸样本图像的第一聚类结果向量，其中，所述第一分支包括依次连接的第一特征提取层和第一聚类层；
第二处理模块，用于将第二人脸样本图像输入到目标网络模型中的第二分支，以得到所述第二人脸样本图像的第二聚类结果向量，其中，所述第二分支包括依次连接的第二特征提取层和第二聚类层，所述第一人脸样本图像和所述第二人脸样本图像对应同一个对象；
训练模块，用于根据所述第一聚类结果向量和所述第二聚类结果向量，对所述目标网络模型进行训练，以得到训练好的目标网络模型；
第一确定模块，用于将所述训练好的目标网络模型中的第一特征提取层作为所述人脸识别模型中的特征提取层。
10.根据权利要求9所述的装置，其中，所述训练模块，包括：
确定单元，用于根据所述第一聚类结果向量和所述第二聚类结果向量，确定所述目标网络模型的目标损失函数值；
更新单元，用于根据所述目标损失函数值，对所述目标网络模型进行更新，直至所述目标函数值收敛，以得到训练好的目标网络模型。
11.根据权利要求10所述的装置，其中，所述第一特征提取层和所述第二特征提取层具有相同的网络结构，所述第一聚类层和所述第二聚类层具有相同的网络结构，所述更新单元，具体用于：
根据所述目标损失函数值，更新所述第二特征提取层的参数和所述第二聚类层的参数；
根据更新后的所述第二特征提取层的参数更新所述第二特征提取层的参数，并根据更新后的所述第二聚类层的参数更新所述第一聚类层的参数。
12.根据权利要求10所述的装置，其中，所述目标网络模型还包括第一损失函数层、第二损失函数层和特征向量队列层，其中，所述特征向量队列层用于缓存所述第一特征提取层所输出的人脸特征向量，所述装置还包括：
第一获取模块，用于获取所述第一特征提取层输出的第一人脸特征向量，并获取所述第二特征提取层输出的第二人脸特征向量；
第二确定模块，用于将由所述第一人脸特征向量和所述第二人脸特征向量构成的正样本对、以及由所述第二人脸特征向量和所述特征向量队列层中各历史人脸特征向量构成的负样本对，输入到所述第一损失函数层，以得到第一交叉熵损失值；
其中，所述确定单元，具体用于：
将所述第一聚类结果向量和所述第二聚类结果向量输入到所述第二损失函数层，以得到第二交叉熵损失值；
对所述第一交叉熵损失值和所述第二交叉熵损失值进行加权求和，以得到所述目标网络模型的目标损失函数值。
13.根据权利要求12所述的装置，其中，所述目标网络模型还包括：标签队列层，所述第二确定模块，具体用于：
根据所述第一损失函数层，确定所述正样本对的第一预测标签以及各所述负样本对的第二预测标签；
获取所述标签队列层中与所述第一人脸特征向量对应的第一实际标签；
获取所述标签队列层中与各所述负样本对中的历史人脸特征向量对应的第二实际标签；
根据所述第一实际标签和所述第一预测标签、各所述标签向量与对应的第二实际标签，确定第一交叉熵损失值。
14.根据权利要求12所述的装置，其中，所述装置还包括：
第二获取模块，用于获取所述第一分支的聚类结果中心向量；
更新模块，用于将所述第一聚类结果向量减去所述聚类结果中心向量，以得到更新后的所述第一聚类结果向量。
15.根据权利要求14所述的装置，其中，所述目标网络模型还包括：用于保存所述第一聚类层输出的聚类结果向量的聚类结果向量序列层，所述第二获取模块，具体用于：
对所述聚类结果向量序列层中的所有历史聚类结果向量进行求平均，以得到聚类结果平均向量；
根据所述聚类结果平均向量，确定所述聚类结果中心向量。
16.根据权利要求12-15任一项所述的装置，其中，所述装置还包括：
第一锐化处理模块，用于根据所述第一分支对应的第一锐化因子，对所述第一聚类结果向量进行锐化处理；
第二锐化处理模块，用于根据所述第二分支对应的第二锐化因子，对所述第二聚类结果向量进行锐化处理。
17.一种电子设备，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1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现权利要求1-8中任一项所述的方法的步骤。
CN202111315762.7A 2021-11-08 2021-11-08 人脸识别模型中特征提取层的确定方法、设备和存储介质 Pending CN113989899A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111315762.7A CN113989899A (zh) 2021-11-08 2021-11-08 人脸识别模型中特征提取层的确定方法、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111315762.7A CN113989899A (zh) 2021-11-08 2021-11-08 人脸识别模型中特征提取层的确定方法、设备和存储介质

Publications (1)

Publication Number Publication Date
CN113989899A true CN113989899A (zh) 2022-01-28

Family

ID=79747225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111315762.7A Pending CN113989899A (zh) 2021-11-08 2021-11-08 人脸识别模型中特征提取层的确定方法、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113989899A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241459A (zh) * 2022-02-24 2022-03-25 深圳壹账通科技服务有限公司 一种驾驶员身份验证方法、装置、计算机设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241459A (zh) * 2022-02-24 2022-03-25 深圳壹账通科技服务有限公司 一种驾驶员身份验证方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN113326764A (zh) 训练图像识别模型和图像识别的方法和装置
CN112560874A (zh) 图像识别模型的训练方法、装置、设备和介质
CN112466288A (zh) 语音识别方法、装置、电子设备及存储介质
CN113657269A (zh) 人脸识别模型的训练方法、装置及计算机程序产品
CN113344089B (zh) 模型训练方法、装置及电子设备
US20230306081A1 (en) Method for training a point cloud processing model, method for performing instance segmentation on point cloud, and electronic device
CN113326852A (zh) 模型训练方法、装置、设备、存储介质及程序产品
CN113705628B (zh) 预训练模型的确定方法、装置、电子设备以及存储介质
CN112966744A (zh) 模型训练方法、图像处理方法、装置和电子设备
CN113407698B (zh) 意图识别模型的训练与意图识别的方法、装置
CN113011309A (zh) 图像识别方法、装置、设备、介质及程序产品
CN115147680A (zh) 目标检测模型的预训练方法、装置以及设备
CN115358243A (zh) 多轮对话识别模型的训练方法、装置、设备及存储介质
CN113657248A (zh) 人脸识别模型的训练方法、装置及计算机程序产品
CN112949433B (zh) 视频分类模型的生成方法、装置、设备和存储介质
CN114882315A (zh) 样本生成方法、模型训练方法、装置、设备及介质
CN114462598A (zh) 深度学习模型的训练方法、确定数据类别的方法和装置
CN113627361A (zh) 人脸识别模型的训练方法、装置及计算机程序产品
CN113947189A (zh) 图像生成模型的训练方法、装置、电子设备及存储介质
CN113989899A (zh) 人脸识别模型中特征提取层的确定方法、设备和存储介质
CN112699237A (zh) 标签确定方法、设备和存储介质
CN115457329B (zh) 图像分类模型的训练方法、图像分类方法和装置
CN114842541A (zh) 模型的训练及人脸识别方法、装置、设备以及存储介质
CN114119972A (zh) 模型获取及对象处理方法、装置、电子设备及存储介质
CN114445668A (zh) 图像识别方法、装置、电子设备及存储介质

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