CN114360074A - 检测模型的训练方法、活体检测方法、装置、设备和介质 - Google Patents

检测模型的训练方法、活体检测方法、装置、设备和介质 Download PDF

Info

Publication number
CN114360074A
CN114360074A CN202210023916.3A CN202210023916A CN114360074A CN 114360074 A CN114360074 A CN 114360074A CN 202210023916 A CN202210023916 A CN 202210023916A CN 114360074 A CN114360074 A CN 114360074A
Authority
CN
China
Prior art keywords
loss function
function value
image
detection model
updated
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
CN202210023916.3A
Other languages
English (en)
Inventor
黄泽斌
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 CN202210023916.3A priority Critical patent/CN114360074A/zh
Publication of CN114360074A publication Critical patent/CN114360074A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本公开提供了一种检测模型的训练方法，涉及人工智能技术领域，尤其涉及深度学习技术和计算机视觉技术，可应用于人脸识别等场景。具体实现方案为：将具有类别标签的第一图像输入检测模型，得到第一损失函数值；将具有类别标签的第二图像输入检测模型，得到第二损失函数值，其中，第二图像是通过对第一图像进行第一图像处理得到的；根据第一损失函数值和第二损失函数值，得到更新损失函数值；以及根据更新损失函数值，训练检测模型，得到经训练的检测模型。本公开还提供了一种活体检测方法、装置、电子设备和存储介质。

Description

检测模型的训练方法、活体检测方法、装置、设备和介质
技术领域
本公开涉及人工智能技术领域，尤其涉及深度学习技术和计算机视觉技术，可应用于人脸识别等场景。更具体地，本公开提供了一种检测模型的训练方法、活体检测方法、装置、电子设备和存储介质。
背景技术
活体检测可以用于验证对象是否具有一些真实的生理特征。可以通过获取包含对象眨眼、点头、摇头等动作的图像，进行活体检测。
发明内容
本公开提供了一种检测模型的训练方法、活体检测方法、装置、电子设备和存储介质。
根据第一方面，提供了一种检测模型的训练方法，该方法包括：将具有类别标签的第一图像输入检测模型，得到第一损失函数值；将具有上述类别标签的第二图像输入上述检测模型，得到第二损失函数值，其中，上述第二图像是通过对上述第一图像进行第一图像处理得到的；根据第一损失函数值和第二损失函数值，得到更新损失函数值；以及根据上述更新损失函数值，训练上述检测模型，得到经训练的检测模型。
根据第二方面，提供了一种活体检测方法，该方法包括：获取目标对象的对象数据；以及将上述对象数据输入活体检测模型，得到针对上述目标对象的检测数据；其中，上述活体检测模型是利用根据本公开提供的方法训练的。
根据第三方面，提供了一种检测模型的训练装置，该装置包括：第一获得模块，用于将具有类别标签的第一图像输入检测模型，得到第一损失函数值；第二获得模块，用于将具有上述类别标签的第二图像输入上述检测模型，得到第二损失函数值，其中，上述第二图像是通过对上述第一图像进行第一图像处理得到的；第三获得模块，用于根据上述第一损失函数值和上述第二损失函数值，得到更新损失函数值；以及训练模块，用于根据上述更新损失函数值，训练上述检测模型，得到经训练的检测模型。
根据第四方面，提供了一种活体检测装置，该装置包括：获取模块，用于获取目标对象的对象数据；以及第五获得模块，用于将上述对象数据输入活体检测模型，得到针对上述目标对象的检测数据；其中，上述活体检测模型是利用本公开提供的装置训练的。
根据第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开提供的方法。
根据第六方面，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，该计算机指令用于使计算机执行根据本公开提供的方法。
根据第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据本公开提供的方法。
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是根据本公开的一个实施例的检测模型的训练方法的流程图；
图2是根据本公开的另一个实施例的检测模型的训练方法的流程图；
图3是根据本公开的另一个实施例的检测模型的训练方法的流程图；
图4A是根据本公开的一个实施例的检测模型的训练方法的原理图；
图4B是根据本公开的一个实施例的检测模型的训练方法的原理图；
图5A是根据本公开的一个实施例的第一图像的示意图；
图5B是根据本公开的一个实施例的第二图像的示意图；
图5C是根据本公开的一个实施例的第三图像的示意图；
图6是根据本公开的一个实施例的活体检测方法的流程图；
图7是根据本公开的一个实施例的检测模型的训练装置的框图；
图8是根据本公开的一个实施例的活体检测装置的框图；以及
图9是根据本公开的一个实施例的可以应用检测模型的训练方法和/或活体检测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。
可以对完整的带有人脸的图像进行特征提取，确定图像中是否具有摩尔纹、屏幕或照片的边框，以进行活体检测。但这种活体检测方式容易受到人脸结构的影响，难以获取到鲁棒性强的特征。
图1是根据本公开的一个实施例的检测模型的训练方法的流程图。
如图1所示，该检测模型的训练方法100可以包括操作S110至操作S140。
在操作S110，将具有类别标签的第一图像输入检测模型，得到第一损失函数值。
在本公开实施例中，类别标签可以是负类别标签。
例如，第一图像具有的类别标签可以是“非活体”。
在本公开实施例中，检测模型可以是神经网络模型。
例如，检测模型可以是ResNet(Residual Neural Network，残差神经网络)模型。在一个示例中，检测模型可以是ResNet-18模型。
例如，可以利用交叉熵损失函数获取第一损失函数值。
在操作S120，将具有类别标签的第二图像输入检测模型，得到第二损失函数值。
在本公开实施例中，第二图像是通过对第一图像进行第一图像处理得到的。
例如，第一图像处理可以包括图像镜像翻转和图像旋转中的一个。
例如，图像镜像翻转可以是图像水平镜像翻转，也可以是图像垂直镜像翻转。
在一个示例中，以图像的左上顶点为原点，以图像的左上顶点指向左下顶点的方向为Y轴正方向，以图像的左上顶点指向右上顶点的方向为X轴正方向，建立坐标系。图像水平镜像翻转可以是根据该坐标系的X轴进行翻转。图像垂直镜像翻转可以是根据该坐标系的Y轴进行翻转。
在本公开实施例中，可以根据与计算第一损失函数值相同的损失函数，计算第二损失函数值。
例如，可以利用上文所述的交叉熵损失函数计算第二损失函数值。
例如，第二图像的类别标签可以与第一图像的类别标签相同。
在操作S130，根据第一损失函数值和第二损失函数值，得到更新损失函数值。
在本公开实施例中，可以对第一损失函数值和第二损失函数值进行加权平均，得到更新损失函数值。
例如，可以通过以下公式得到更新损失函数值lossavg：
lossavg＝λ1*loss1+λ2*loss2 (公式一)
loss1为第一损失函数值，λ1为第一损失函数值的权重，loss2为第二损失函数值，λ2为第二损失函数值的权重。对两个损失函数值进行加权平均，可以根据一个图像不同状态的特征对检测模型进行训练。
在一个示例中，λ1＝λ2＝0.5。
在操作S140，根据更新损失函数值，训练检测模型，得到经训练的检测模型。
例如，可以根据更新损失函数值调整模型的参数，以训练检测模型。
在一个示例中，可以对检测模型进行多次训练，每次训练之后，根据更新损失函数值调整模型的参数。在经当前轮次训练后得到的更新损失函数值小于预设损失阈值之后，停止训练，得到经训练的检测模型。
通过本公开实施例，第一图像的类别标签为负类别标签，可以降低模型对人脸特征的依赖，能够更聚焦于同人脸无关的特征。比如，可以增加对手机边框的等信息的敏感度。更新损失函数值与第一图像和第二图像相关，可以同时根据一个图像的不同状态的特征进行训练，可以提高模型的鲁棒性。
图2是根据本公开的另一个实施例的检测模型的训练方法的流程图。
如图2所示，该检测模型的训练方法200可以包括操作S210至操作S220、操作S250、操作S230至操作S240。操作S250可以在操作S230之前执行。
在操作S210，将具有类别标签的第一图像输入检测模型，得到第一损失函数值
在操作S220，将具有类别标签的第二图像输入检测模型，得到第二损失函数值。
在本公开实施例中，第二图像是通过对第一图像进行第一图像处理得到的。
可以理解，方法200中的操作S210和操作S220，与方法100中的操作S110和操作S120相同或类似，为了简明，本公开在此不再赘述。
在操作S250，将具有类别标签的第三图像输入检测模型，得到第三损失函数值。
在本公开实施例中，第三图像是通过对第一图像进行第二图像处理得到的。
例如，第一图像处理包括图像镜像翻转和图像旋转中的一个。第二图像处理包括图像镜像翻转和图像旋转中的另一个。
在一个示例中，第一图像处理为图像镜像翻转。第二图像处理为图像旋转。在另一个示例中，第一图像处理为图像旋转。第二图像处理为图像镜像翻转。
例如，第三图像的类别标签可以与第一图像的类别标签相同。
在本公开实施例中，可以根据与计算第一损失函数值相同的损失函数，计算第三损失函数值。
例如，可以根据上文所述的交叉熵损失函数，计算第三损失函数值。
在操作S230，根据第一损失函数值、第二损失函数值和第三损失函数值，得到更新损失函数值。
在本公开实施例中，可以对第一损失函数值、第二损失函数值和第三损失函数值进行加权平均，得到更新损失函数值。
例如，可以通过以下公式得到更新损失函数值lossavq′：
lossavg′＝λ1*loss1+λ2*loss2+λ3*loss3 (公式二)
loss3为第三损失函数值，λ3为第三损失函数值的权重。
在一个示例中，
Figure BDA0003463234060000061
在操作S240，根据更新损失函数值，训练检测模型，得到经训练的检测模型。
可以理解，方法200中的操作S240，与方法100中的操作S140相同或类似，为了简明，本公开在此不再赘述。
通过本公开实施例，更新损失函数值与第一图像、第二图像和第三图像相关，可以同时根据一个图像的更多状态的特征进行训练，可以进一步提高模型的鲁棒性。
图3是根据本公开的另一个实施例的检测模型的训练方法的流程图。
如图3所示，该检测模型的训练方法300包括操作S310至操作S320、操作S360、操作S330至操作S340。操作S360可以在操作S330之前执行。
在操作S310，将具有类别标签的第一图像输入检测模型，得到第一损失函数值。
可以理解，方法300中的操作S310，与方法100中的操作S110相同或类似，为了简明，本公开在此不再赘述。
在操作S320，将具有类别标签的第二图像输入检测模型，得到第二损失函数值。
在本公开实施例中，第二图像是通过对第一图像进行第一图像处理得到的。
需要说明的是，图3所示的实施例与图1所示的实施例不同之处在于，第一图像处理可以包括图像水平镜像翻转和图像垂直镜像翻转中的一个。
可以理解，除了上述不同之处以外，方法300中的操作S320，与方法100中的操作S120相同或类似，为了简明，本公开在此不再赘述。
在操作S360，将具有类别标签的第四图像输入检测模型，得到第四损失函数值。
在本公开实施例中，第四图像是通过对第一图像进行第三图像处理得到的。
例如，第一图像处理可以包括图像水平镜像翻转和图像垂直镜像翻转中的一个。第三图像处理可以包括图像水平镜像翻转和图像垂直镜像翻转中的另一个。
在一个示例中，第一图像处理为图像水平镜像翻转，第三图像处理为图像垂直镜像翻转。在另一个示例中，第一图像处理为图像垂直镜像翻转，第三图像处理为图像水平镜像翻转。
例如，第四图像的类别标签可以与第一图像的类别标签相同。
在本公开实施例中，可以根据与计算第一损失函数值相同的损失函数，计算第四损失函数值。
例如，可以根据上文所述的交叉熵损失函数，计算第四损失函数值。
在操作S330，根据第一损失函数值、第二损失函数值和第四损失函数值，得到更新损失函数值。
在本公开实施例中，可以对第一损失函数值、第二损失函数值和第四损失函数值进行加权平均，得到更新损失函数值。
例如，可以通过以下公式得到更新损失函数值lossavg″：
lossavg″＝λ1*loss1+λ2*loss2+λ4*loss4 (公式三)
loss4为第四损失函数值λ4为第四h函数值权重。
在一个示例中，
Figure BDA0003463234060000071
在操作S340，根据更新损失函数值，训练检测模型，得到经训练的检测模型。
可以理解，方法300中的操作S340，与方法100中的操作S140相同或类似，为了简明，本公开在此不再赘述。
通过本公开实施例，更新损失函数值与第一图像、第二图像和第四图像相关，可以同时根据一个图像更多状态的特征进行训练，可以进一步提高模型的鲁棒性。
图4A是根据本公开的一个实施例的检测模型的训练方法的原理图。
如图4A所示，第一图像411具有的类别标签可以为“非活体”。第二图像411是通过对第一图像412进行第一图像处理得到的。第二图像412具有与第一图像411相同的类别标签。例如，第一图像处理为图像水平镜像翻转。
可以将第一图像411输入检测模型420中，得到第一损失函数值413。例如，检测模型420可以对第一图像411进行处理，得到一个第一预测数据。之后，可以利用损失函数对第一图像411的类别标签和第一预测数据进行处理，得到第一损失函数值413。在一个示例中，第一预测数据可以是一个预测的类别。
可以将第二图像412输入检测模型420中，得到第二损失函数值414。例如，检测模型420可以对第二图像412进行处理，得到一个第二预测数据。之后，可以利用上述损失函数对第二图像412的类别标签和第二预测数据进行处理，得到第二损失函数值414。在一个示例中，第二预测数据可以是一个预测的类别。
根据第一损失函数值413和第二损失函数值414，可以得到更新损失函数值415。根据更新损失函数值415，可以训练检测模型420，得到经训练的检测模型。
图4B是根据本公开的另一个实施例的检测模型的训练方法的原理图。
如图4B所示，图4B所示的实施例与图4A不同之处在于，还可以将第三图像416输入检测模型420。第三图像416可以是通过对第一图像411进行第二图像处理得到的。第三图像416具有与第一图像411相同的类别标签。例如，第二图像处理为图像旋转。在一个示例中，第二图像处理为图像顺时针旋转90°。
可以将第三图像416输入检测模型420中，得到第三损失函数值417。例如，检测模型420可以对第三图像416进行处理，得到一个第三预测数据。之后，可以利用上述损失函数对第三图像416的类别标签和第三预测数据进行处理，得到第三损失函数值417。在一个示例中，第三预测数据可以是一个预测的类别。
根据第一损失函数值413、第二损失函数值414和第三损失函数值417，可以得到更新损失函数值418。根据更新损失函数值418，可以训练检测模型420，得到经训练的检测模型。
图5A是根据本公开的一个实施例的第一图像的示意图。
如图5A所示，第一图像501中包含一个照片502。该照片502可以是一个人脸的照片。该照片505具有一个边框503。该第一图像501的类别标签可以是“非活体”。
图5B是根据本公开的一个实施例的第二图像的示意图。
如图5B所示，第二图像504是通过对例如图5A中的第一图像501进行图像水平镜像翻转得到的。
图5C是根据本公开的一个实施例的第三图像的示意图。
如图5C所示，第三图像505是通过对例如图5A中的第一图像501进行图像旋转得到的。图像旋转可以为图像顺时针旋转90°。
图6是根据本公开的一个实施例的活体检测方法的流程图。
如图6所示，该方法600可以包括操作S610至操作S620。
在操作S610，获取目标对象的对象数据。
例如，目标对象可以是摄像头前方的对象。在一个示例中，目标对象可以是用户。在另一个示例中，目标对象可以是一个照片。
例如，对象数据可以是上述摄像头获取的包含目标对象的图像。
在操作S620，将对象数据输入活体检测模型，得到针对目标对象的检测数据。
例如，检测数据可以是目标对象的类别。在一个示例中，若目标对象为用户，则针对用户的检测数据可以是“活体”。在另一个示例中，若目标对象为照片，则针对照片的检测数据可以是“非活体”。
例如，活体检测模型是利用图1所示的方法训练的。
例如，活体检测模型是利用图2所示的方法训练的。
例如，活体检测模型是利用图3所示的方法训练的。
图7是根据本公开的一个实施例的检测模型的训练装置的框图。
如图7所示，该检测模型的训练装置700可以包括第一获得模块710、第二获得模块720、第三获得模块730和训练模块
第一获得模块710，用于将具有类别标签的第一图像输入检测模型，得到第一损失函数值。
第二获得模块720，用于将具有所述类别标签的第二图像输入所述检测模型，得到第二损失函数值，其中，所述第二图像是通过对所述第一图像进行第一图像处理得到的。
第三获得模块730，用于根据所述第一损失函数值和所述第二损失函数值，得到更新损失函数值。
训练模块740，用于根据所述更新损失函数值，训练所述检测模型，得到经训练的检测模型。
在一些实施例中，所述第三获得模块包括：第一加权平均单元，用于对所述第一损失函数值和所述第二损失函数值进行加权平均，得到所述更新损失函数值。
在一些实施例中，该装置700还包括：第四获得模块，用于将具有所述类别标签的第三图像输入所述检测模型，得到第三损失函数值，其中，所述第三图像是通过对所述第一图像进行第二图像处理得到的。
在一些实施例中，所述第三获得模块包括：第二加权平均单元，用于对所述第一损失函数值、所述第二损失函数值和所述第三损失值进行加权平均，得到所述更新损失函数值。
在一些实施例中，所述第一图像处理包括图像镜像翻转和图像旋转中的一个。
在一些实施例中，所述第二图像处理包括图像镜像翻转和图像旋转中的另一个。
图8是根据本公开的一个实施例的活体检测装置的框图。
如图8所示，该活体检测装置800可以包括第一获取模块810和第五获得模块820。
获取模块810，用于获取目标对象的对象数据。
第五获得模块820，用于将所述对象数据输入活体检测模型，得到针对所述目标对象的检测数据。
例如，所述活体检测模型是利用图7提供的装置训练的。
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。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900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9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理，例如检测模型的训练方法和/或活体检测方法。例如，在一些实施例中，检测模型的训练方法和/或活体检测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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的检测模型的训练方法和/或活体检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行检测模型的训练方法和/或活体检测方法。
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。
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 (17)

1.一种检测模型的训练方法，包括：
将具有类别标签的第一图像输入检测模型，得到第一损失函数值；
将具有所述类别标签的第二图像输入所述检测模型，得到第二损失函数值，其中，所述第二图像是通过对所述第一图像进行第一图像处理得到的；
根据所述第一损失函数值和所述第二损失函数值，得到更新损失函数值；以及
根据所述更新损失函数值，训练所述检测模型，得到经训练的检测模型。
2.根据权利要求1所述的方法，其中，根据所述第一损失函数值和所述第二损失函数值，得到更新损失函数值包括：
对所述第一损失函数值和所述第二损失函数值进行加权平均，得到所述更新损失函数值。
3.根据权利要求1所述的方法，还包括：
将具有所述类别标签的第三图像输入所述检测模型，得到第三损失函数值，其中，所述第三图像是通过对所述第一图像进行第二图像处理得到的。
4.根据权利要求3所述的方法，其中，根据所述第一损失函数值和所述第二损失函数值，得到更新损失函数值包括：
对所述第一损失函数值、所述第二损失函数值和所述第三损失值进行加权平均，得到所述更新损失函数值。
5.根据权利要求1或3所述的方法，其中，所述第一图像处理包括图像镜像翻转和图像旋转中的一个。
6.根据权利要求5所述的方法，其中，所述第二图像处理包括图像镜像翻转和图像旋转中的另一个。
7.一种活体检测方法，包括：
获取目标对象的对象数据；以及
将所述对象数据输入活体检测模型，得到针对所述目标对象的检测数据；
其中，所述活体检测模型是利用根据权利要求1至6任一项所述的方法训练的。
8.一种检测模型的训练装置，包括：
第一获得模块，用于将具有类别标签的第一图像输入检测模型，得到第一损失函数值；
第二获得模块，用于将具有所述类别标签的第二图像输入所述检测模型，得到第二损失函数值，其中，所述第二图像是通过对所述第一图像进行第一图像处理得到的；
第三获得模块，用于根据所述第一损失函数值和所述第二损失函数值，得到更新损失函数值；以及
训练模块，用于根据所述更新损失函数值，训练所述检测模型，得到经训练的检测模型。
9.根据权利要求8所述的装置，其中，所述第三获得模块包括：
第一加权平均单元，用于对所述第一损失函数值和所述第二损失函数值进行加权平均，得到所述更新损失函数值。
10.根据权利要求8所述的装置，还包括：
第四获得模块，用于将具有所述类别标签的第三图像输入所述检测模型，得到第三损失函数值，其中，所述第三图像是通过对所述第一图像进行第二图像处理得到的。
11.根据权利要求10所述的装置，其中，所述第三获得模块包括：
第二加权平均单元，用于对所述第一损失函数值、所述第二损失函数值和所述第三损失值进行加权平均，得到所述更新损失函数值。
12.根据权利要求8或10所述的装置，其中，所述第一图像处理包括图像镜像翻转和图像旋转中的一个。
13.根据权利要求12所述的装置，其中，所述第二图像处理包括图像镜像翻转和图像旋转中的另一个。
14.一种活体检测装置，包括：
获取模块，用于获取目标对象的对象数据；以及
第五获得模块，用于将所述对象数据输入活体检测模型，得到针对所述目标对象的检测数据；
其中，所述活体检测模型是利用根据权利要求8至13任一项所述的装置训练的。
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至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根据权利要求1至7中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至7中任一项所述的方法。
CN202210023916.3A 2022-01-10 2022-01-10 检测模型的训练方法、活体检测方法、装置、设备和介质 Pending CN114360074A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210023916.3A CN114360074A (zh) 2022-01-10 2022-01-10 检测模型的训练方法、活体检测方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210023916.3A CN114360074A (zh) 2022-01-10 2022-01-10 检测模型的训练方法、活体检测方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN114360074A true CN114360074A (zh) 2022-04-15

Family

ID=81110139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210023916.3A Pending CN114360074A (zh) 2022-01-10 2022-01-10 检测模型的训练方法、活体检测方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN114360074A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926322A (zh) * 2022-05-12 2022-08-19 北京百度网讯科技有限公司 图像生成方法、装置、电子设备和存储介质
CN115082740A (zh) * 2022-07-18 2022-09-20 北京百度网讯科技有限公司 目标检测模型训练方法、目标检测方法、装置、电子设备
CN115147680A (zh) * 2022-06-30 2022-10-04 北京百度网讯科技有限公司 目标检测模型的预训练方法、装置以及设备
CN115147902A (zh) * 2022-06-30 2022-10-04 北京百度网讯科技有限公司 人脸活体检测模型的训练方法、装置及计算机程序产品
CN115578797A (zh) * 2022-09-30 2023-01-06 北京百度网讯科技有限公司 模型训练方法、图像识别方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135259A (zh) * 2019-04-15 2019-08-16 深圳壹账通智能科技有限公司 静默式活体图片识别方法、装置、计算机设备和存储介质
CN111191521A (zh) * 2019-12-11 2020-05-22 智慧眼科技股份有限公司 人脸活体检测方法、装置、计算机设备及存储介质
CN111680675A (zh) * 2020-08-14 2020-09-18 腾讯科技（深圳）有限公司 人脸活体检测方法、系统、装置、计算机设备和存储介质
CN112364803A (zh) * 2020-11-20 2021-02-12 深圳龙岗智能视听研究院 活体识别辅助网络和训练方法、终端、设备及存储介质
CN112613471A (zh) * 2020-12-31 2021-04-06 中移（杭州）信息技术有限公司 人脸活体检测方法、装置及计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135259A (zh) * 2019-04-15 2019-08-16 深圳壹账通智能科技有限公司 静默式活体图片识别方法、装置、计算机设备和存储介质
CN111191521A (zh) * 2019-12-11 2020-05-22 智慧眼科技股份有限公司 人脸活体检测方法、装置、计算机设备及存储介质
CN111680675A (zh) * 2020-08-14 2020-09-18 腾讯科技（深圳）有限公司 人脸活体检测方法、系统、装置、计算机设备和存储介质
CN112364803A (zh) * 2020-11-20 2021-02-12 深圳龙岗智能视听研究院 活体识别辅助网络和训练方法、终端、设备及存储介质
CN112613471A (zh) * 2020-12-31 2021-04-06 中移（杭州）信息技术有限公司 人脸活体检测方法、装置及计算机可读存储介质

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926322A (zh) * 2022-05-12 2022-08-19 北京百度网讯科技有限公司 图像生成方法、装置、电子设备和存储介质
CN114926322B (zh) * 2022-05-12 2024-03-15 北京百度网讯科技有限公司 图像生成方法、装置、电子设备和存储介质
CN115147680A (zh) * 2022-06-30 2022-10-04 北京百度网讯科技有限公司 目标检测模型的预训练方法、装置以及设备
CN115147902A (zh) * 2022-06-30 2022-10-04 北京百度网讯科技有限公司 人脸活体检测模型的训练方法、装置及计算机程序产品
CN115147680B (zh) * 2022-06-30 2023-08-25 北京百度网讯科技有限公司 目标检测模型的预训练方法、装置以及设备
CN115147902B (zh) * 2022-06-30 2023-11-07 北京百度网讯科技有限公司 人脸活体检测模型的训练方法、装置及计算机程序产品
CN115082740A (zh) * 2022-07-18 2022-09-20 北京百度网讯科技有限公司 目标检测模型训练方法、目标检测方法、装置、电子设备
CN115082740B (zh) * 2022-07-18 2023-09-01 北京百度网讯科技有限公司 目标检测模型训练方法、目标检测方法、装置、电子设备
CN115578797A (zh) * 2022-09-30 2023-01-06 北京百度网讯科技有限公司 模型训练方法、图像识别方法、装置及电子设备
CN115578797B (zh) * 2022-09-30 2023-08-29 北京百度网讯科技有限公司 模型训练方法、图像识别方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN114360074A (zh) 检测模型的训练方法、活体检测方法、装置、设备和介质
CN113221771B (zh) 活体人脸识别方法、装置、设备、存储介质及程序产品
CN116403083A (zh) 图像的处理方法、装置、电子设备及存储介质
CN112561879A (zh) 模糊度评价模型训练方法、图像模糊度评价方法及装置
CN113569708A (zh) 活体识别方法、装置、电子设备以及存储介质
CN114140320B (zh) 图像迁移方法和图像迁移模型的训练方法、装置
CN114445663A (zh) 检测对抗样本的方法、装置及计算机程序产品
CN114120454A (zh) 活体检测模型的训练方法、装置、电子设备及存储介质
CN113643260A (zh) 用于检测图像质量的方法、装置、设备、介质和产品
CN114724144B (zh) 文本识别方法、模型的训练方法、装置、设备及介质
CN115116111B (zh) 抗扰动人脸活体检测模型训练方法、装置及电子设备
CN116309158A (zh) 网络模型的训练方法、三维重建方法、装置、设备和介质
CN113139483B (zh) 人体行为识别方法、装置、设备、存储介质以及程序产品
CN115410140A (zh) 基于海上目标的图像检测方法、装置、设备及介质
CN114093006A (zh) 活体人脸检测模型的训练方法、装置、设备以及存储介质
CN115205939B (zh) 人脸活体检测模型训练方法、装置、电子设备及存储介质
CN113705620B (zh) 图像显示模型的训练方法、装置、电子设备和存储介质
CN116883244A (zh) 一种强化纹理信息的红外热成像超分辨率网络训练方法
CN118522057A (zh) 面部表情识别方法、装置、电子设备及存储介质
CN117746489A (zh) 姿势检测方法、装置、电子设备及存储介质
CN116129243A (zh) 一种雷达图像的物体检测方法、装置、设备及存储介质
CN114757845A (zh) 基于人脸识别的光线调节方法、装置、电子设备及介质
CN118097797A (zh) 人脸活体检测方法、装置、设备和介质
CN114120453A (zh) 一种活体检测方法、装置、电子设备及存储介质
CN114445900A (zh) 一种微表情识别方法、装置、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