CN115830691A - 人脸识别模型的训练方法及装置 - Google Patents

Abstract

本公开涉及人脸识别技术领域，提供了一种人脸识别模型的训练方法及装置。该方法包括：构建通道和空间联合的矫正线性网络，并用矫正线性网络替代残差网络模型中的激活层网络，得到人脸识别模型；获取训练数据集，并根据训练数据集生成样本与类中心的第一正对集合、样本与类中心的第一负对集合、样本与样本的第二正对集合和样本与样本的第二负对集合，其中，训练数据集，包括：多个类中心以及每个类中心下属的多个样本；生成计算关于人脸识别模型对第一正对集合、第一负对集合、第二正对集合和第二负对集合产生损失的损失函数；根据第一正对集合、第一负对集合、第二正对集合和第二负对集合，利用损失函数对人脸识别模型进行训练。

Description

人脸识别模型的训练方法及装置

技术领域

本公开涉及人脸识别技术领域，尤其涉及一种人脸识别模型的训练方法及装置。

背景技术

在实践中发现，传统人脸识别模型具有如下缺点：传统人脸识别模型的激活层网络只考虑了特征图中特征值的通道的差异，未考虑特征图中特征值的空间位置的差异；传统人脸识别模型通常使用基于交叉熵的分类损失函数，该损失函数没有完全考虑到样本与样本之间的关系以及样本与类中心之间的关系。由于上述缺点导致传统人脸识别模型的模型精度无法进一步提升。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下技术问题：人脸识别模型精度低的问题。

发明内容

有鉴于此，本公开实施例提供了一种人脸识别模型的训练方法、、装置、电子设备及计算机可读存储介质，以解决现有技术中，人脸识别模型精度低的问题。

本公开实施例的第一方面，提供了一种人脸识别模型的训练方法，包括：构建通道和空间联合的矫正线性网络，并用矫正线性网络替代残差网络模型中的激活层网络，得到人脸识别模型；获取训练数据集，并根据训练数据集生成样本与类中心的第一正对集合、样本与类中心的第一负对集合、样本与样本的第二正对集合和样本与样本的第二负对集合，其中，训练数据集，包括：多个类中心以及每个类中心下属的多个样本；生成计算关于人脸识别模型对第一正对集合、第一负对集合、第二正对集合和第二负对集合产生损失的损失函数；根据第一正对集合、第一负对集合、第二正对集合和第二负对集合，利用损失函数对人脸识别模型进行训练。

本公开实施例的第二方面，提供了一种人脸识别模型的训练装置，包括：构建模块，被配置为构建通道和空间联合的矫正线性网络，并用矫正线性网络替代残差网络模型中的激活层网络，得到人脸识别模型；生成模块，被配置为获取训练数据集，并根据训练数据集生成样本与类中心的第一正对集合、样本与类中心的第一负对集合、样本与样本的第二正对集合和样本与样本的第二负对集合，其中，训练数据集，包括：多个类中心以及每个类中心下属的多个样本；损失模块，被配置为生成计算关于人脸识别模型对第一正对集合、第一负对集合、第二正对集合和第二负对集合产生损失的损失函数；训练模块，被配置为根据第一正对集合、第一负对集合、第二正对集合和第二负对集合，利用损失函数对人脸识别模型进行训练。

本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开实施例与现有技术相比存在的有益效果是：因为本公开实施例通过构建通道和空间联合的矫正线性网络，并用矫正线性网络替代残差网络模型中的激活层网络，得到人脸识别模型；获取训练数据集，并根据训练数据集生成样本与类中心的第一正对集合、样本与类中心的第一负对集合、样本与样本的第二正对集合和样本与样本的第二负对集合，其中，训练数据集，包括：多个类中心以及每个类中心下属的多个样本；生成计算关于人脸识别模型对第一正对集合、第一负对集合、第二正对集合和第二负对集合产生损失的损失函数；根据第一正对集合、第一负对集合、第二正对集合和第二负对集合，利用损失函数对人脸识别模型进行训练，因此，采用上述技术手段，可以解决现有技术中，人脸识别模型精度低的问题，进而提高人脸识别模型的精度。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本公开实施例的应用场景的场景示意图；

图2是本公开实施例提供的一种人脸识别模型的训练方法的流程示意图；

图3是本公开实施例提供的一种人脸识别模型的训练装置的结构示意图；

图4是本公开实施例提供的一种电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

下面将结合附图详细说明根据本公开实施例的一种人脸识别模型的训练方法和装置。

图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备101、102和103、服务器104以及网络105。

终端设备101、102和103可以是硬件，也可以是软件。当终端设备101、102和103为硬件时，其可以是具有显示屏且支持与服务器104通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备101、102和103为软件时，其可以安装在如上的电子设备中。终端设备101、102和103可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备101、102和103上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。

服务器104可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器104可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。

需要说明的是，服务器104可以是硬件，也可以是软件。当服务器104为硬件时，其可以是为终端设备101、102和103提供各种服务的各种电子设备。当服务器104为软件时，其可以是为终端设备101、102和103提供各种服务的多个软件或软件模块，也可以是为终端设备101、102和103提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。

网络105可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙(Bluetooth)、近场通信(Near FieldCommunication，NFC)、红外(Infrared)等，本公开实施例对此不作限制。

用户可以通过终端设备101、102和103经由网络105与服务器104建立通信连接，以接收或发送信息等。需要说明的是，终端设备101、102和103、服务器104以及网络105的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。

图2是本公开实施例提供的一种人脸识别模型的训练方法的流程示意图。图2的人脸识别模型的训练方法可以由图1的计算机或服务器，或者计算机或服务器上的软件执行。如图2所示，该人脸识别模型的训练方法包括：

S201，构建通道和空间联合的矫正线性网络，并用矫正线性网络替代残差网络模型中的激活层网络，得到人脸识别模型；

S202，获取训练数据集，并根据训练数据集生成样本与类中心的第一正对集合、样本与类中心的第一负对集合、样本与样本的第二正对集合和样本与样本的第二负对集合，其中，训练数据集，包括：多个类中心以及每个类中心下属的多个样本；

S203，生成计算关于人脸识别模型对第一正对集合、第一负对集合、第二正对集合和第二负对集合产生损失的损失函数；

S204，根据第一正对集合、第一负对集合、第二正对集合和第二负对集合，利用损失函数对人脸识别模型进行训练。

本公开实施例以残差网络模型为基础，对残差网络模型进行改进，将改进后的残差网络模型作为人脸识别模型，残差网络模型还可以替换为MobileFaceNet等其他深度学习模型。

传统神经网络模型，如残差网络模型中的激活层网络只考虑了特征图中特征值的通道的差异，没有考虑特征图中特征值的空间位置的差异，本公开实施例是构建一种新的兼顾通道和空间的矫正线性网络，使用该矫正线性网络替代残差网络模型中的激活层网络。

传统的人脸识别模型的训练中，使用到的是样本与类中心的第一正对集合、样本与类中心的第一负对集合，为了增加模型对样本与样本之间关系的学习，本公开实施例新增了样本与样本的第二正对集合和样本与样本的第二负对集合。并且基于第一正对集合、第一负对集合、第二正对集合和第二负对集合产生，设计一个新的损失函数来代替传统的人脸识别模型的损失函数。由于设计的新的损失函数可以用于计算关于人脸识别模型对第一正对集合、第一负对集合、第二正对集合和第二负对集合产生损失，所以增加模型对样本与样本之间关系的学习，实际上因为在样本与类中心的集合的基础上增加了样本与样本的集合，所以也增加模型对样本与类中心之间关系的学习。

类中心可以看做一个人，该类中心下属的多个样本就是此人的多张图片。

根据本公开实施例提供的技术方案，构建通道和空间联合的矫正线性网络，并用矫正线性网络替代残差网络模型中的激活层网络，得到人脸识别模型；获取训练数据集，并根据训练数据集生成样本与类中心的第一正对集合、样本与类中心的第一负对集合、样本与样本的第二正对集合和样本与样本的第二负对集合，其中，训练数据集，包括：多个类中心以及每个类中心下属的多个样本；生成计算关于人脸识别模型对第一正对集合、第一负对集合、第二正对集合和第二负对集合产生损失的损失函数；根据第一正对集合、第一负对集合、第二正对集合和第二负对集合，利用损失函数对人脸识别模型进行训练，因此，采用上述技术手段，可以解决现有技术中，人脸识别模型精度低的问题，进而提高人脸识别模型的精度。

矫正线性网络是由通道激活网络后接空间激活网络组成的，通道激活网络的输出是空间激活网络的输入。

矫正线性网络兼顾通道和空间的信息，使用该矫正线性网络替代残差网络模型中的激活层网络，可以提高人脸识别模型的精度。

通道激活网络，包括：

F′＝PELU(Α_C,F)

Α_C＝{α₀,α₁,…,α_C-1}

F为输入通道激活网络的特征图，F是人脸识别模型中通道激活网络之前的网络部分处理样本或类中心得到的，F'是通道激活网络的输出，C为通道激活网络中的通道的总数量，A_C为通道激活网络中所有通道的α参数的集合，每个通道对应一个α参数，α₀为第0个通道对应的α参数，α₁为第1个通道对应的α参数，α_C-1为第C-1个通道对应的α参数，y是F中的一个特征值，每个通道对应一个y。

F'可以看做是通道激活后的F，F'也属于特征图。

使用PELU()计算AC和F，也就是PELU(Α_C,F)，实际上的计算过程是，根据每个通道对应的y的值，使用PELU()依次计算每个通道对应的y对应的结果，进而得到AC和F对应的结果，每个通道均对应一个α参数和y。

空间激活网络，包括：

F″＝PELU(Α_S,F′)

Α_S＝{α₀,α₁,…,α_H×W-1}

F'是通道激活网络的输出，F'也是空间激活网络的输入，F”是空间激活网络的输出，H和W分别为F'的宽和高，H*W-1表示F'中特征值的总数量，也表示空间激活网络中的空间位置的总数量，A_S为空间激活网络中所有空间位置的α参数的集合，每个空间位置对应一个α参数，α₀为第0个空间位置对应的α参数，α₁为第1个空间位置对应的α参数，α_H*W-1为第H*W-1个空间位置对应的α参数，y是F'中的一个特征值，每个空间位置对应一个y。

F”可以看做是通道激活以及空间激活后的F，F”也属于特征图。

使用PELU()计算A_S和F'与使用PELU()计算AC和F类似，在此不再赘述。

根据训练数据集生成样本与类中心的第一正对集合、样本与类中心的第一负对集合、样本与样本的第二正对集合和样本与样本的第二负对集合，包括：

第一正对集合为：

P_i ^C＝{(x_i,w_yi)}

第一负对集合为

第二正对集合为：

P_i ^S＝{(x_i,x_j)|y_i＝y_j}

第二负对集合为：

x_i表示第i个样本的特征向量，y_i表示x_i对应的类中心，

表示第y_i个类中心的特征向量，w_j表示第j个非x_i对应的类中心的特征向量，x_j表示第j个样本的特征向量。

损失函数为：

N为样本的总数量，s和m为预设的参数，n为类中心的总数量，

为第二正对集合中的对数。

为了便于说明本公开实施例对损失函数的改进，下面给出传统的人脸识别模型的损失函数：

根据第一正对集合、第一负对集合、第二正对集合和第二负对集合，利用损失函数对人脸识别模型进行训练，包括：利用损失函数计算关于人脸识别模型对第一正对集合、第一负对集合、第二正对集合和第二负对集合产生的损失；根据计算的损失更新人脸识别模型的模型参数，已完成对人脸识别模型的训练。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图3是本公开实施例提供的一种人脸识别模型的训练装置的示意图。如图3所示，该人脸识别模型的训练装置包括：

构建模块301，被配置为构建通道和空间联合的矫正线性网络，并用矫正线性网络替代残差网络模型中的激活层网络，得到人脸识别模型；

生成模块302，被配置为获取训练数据集，并根据训练数据集生成样本与类中心的第一正对集合、样本与类中心的第一负对集合、样本与样本的第二正对集合和样本与样本的第二负对集合，其中，训练数据集，包括：多个类中心以及每个类中心下属的多个样本；

损失模块303，被配置为生成计算关于人脸识别模型对第一正对集合、第一负对集合、第二正对集合和第二负对集合产生损失的损失函数；

训练模块304，被配置为根据第一正对集合、第一负对集合、第二正对集合和第二负对集合，利用损失函数对人脸识别模型进行训练。

本公开实施例以残差网络模型为基础，对残差网络模型进行改进，将改进后的残差网络模型作为人脸识别模型，残差网络模型还可以替换为MobileFaceNet等其他深度学习模型。

传统神经网络模型，如残差网络模型中的激活层网络只考虑了特征图中特征值的通道的差异，没有考虑特征图中特征值的空间位置的差异，本公开实施例是构建一种新的兼顾通道和空间的矫正线性网络，使用该矫正线性网络替代残差网络模型中的激活层网络。

传统的人脸识别模型的训练中，使用到的是样本与类中心的第一正对集合、样本与类中心的第一负对集合，为了增加模型对样本与样本之间关系的学习，本公开实施例新增了样本与样本的第二正对集合和样本与样本的第二负对集合。并且基于第一正对集合、第一负对集合、第二正对集合和第二负对集合产生，设计一个新的损失函数来代替传统的人脸识别模型的损失函数。由于设计的新的损失函数可以用于计算关于人脸识别模型对第一正对集合、第一负对集合、第二正对集合和第二负对集合产生损失，所以增加模型对样本与样本之间关系的学习，实际上因为在样本与类中心的集合的基础上增加了样本与样本的集合，所以也增加模型对样本与类中心之间关系的学习。

类中心可以看做一个人，该类中心下属的多个样本就是此人的多张图片。

根据本公开实施例提供的技术方案，构建通道和空间联合的矫正线性网络，并用矫正线性网络替代残差网络模型中的激活层网络，得到人脸识别模型；获取训练数据集，并根据训练数据集生成样本与类中心的第一正对集合、样本与类中心的第一负对集合、样本与样本的第二正对集合和样本与样本的第二负对集合，其中，训练数据集，包括：多个类中心以及每个类中心下属的多个样本；生成计算关于人脸识别模型对第一正对集合、第一负对集合、第二正对集合和第二负对集合产生损失的损失函数；根据第一正对集合、第一负对集合、第二正对集合和第二负对集合，利用损失函数对人脸识别模型进行训练，因此，采用上述技术手段，可以解决现有技术中，人脸识别模型精度低的问题，进而提高人脸识别模型的精度。

矫正线性网络是由通道激活网络后接空间激活网络组成的，通道激活网络的输出是空间激活网络的输入。

矫正线性网络兼顾通道和空间的信息，使用该矫正线性网络替代残差网络模型中的激活层网络，可以提高人脸识别模型的精度。

通道激活网络，包括：

F′＝PELU(Α_C,F)

Α_C＝{α₀,α₁,…,α_C-1}

F为输入通道激活网络的特征图，F是人脸识别模型中通道激活网络之前的网络部分处理样本或类中心得到的，F'是通道激活网络的输出，C为通道激活网络中的通道的总数量，A_C为通道激活网络中所有通道的α参数的集合，每个通道对应一个α参数，α₀为第0个通道对应的α参数，α₁为第1个通道对应的α参数，α_C-1为第C-1个通道对应的α参数，y是F中的一个特征值，每个通道对应一个y。

F'可以看做是通道激活后的F，F'也属于特征图。

使用PELU()计算AC和F，也就是PELU(Α_C,F)，实际上的计算过程是，根据每个通道对应的y的值，使用PELU()依次计算每个通道对应的y对应的结果，进而得到AC和F对应的结果，每个通道均对应一个α参数和y。

空间激活网络，包括：

F″＝PELU(Α_S,F′)

Α_S＝{α₀,α₁,…,α_H×W-1}

F'是通道激活网络的输出，F'也是空间激活网络的输入，F”是空间激活网络的输出，H和W分别为F'的宽和高，H*W-1表示F'中特征值的总数量，也表示空间激活网络中的空间位置的总数量，A_S为空间激活网络中所有空间位置的α参数的集合，每个空间位置对应一个α参数，α₀为第0个空间位置对应的α参数，α₁为第1个空间位置对应的α参数，α_H*W-1为第H*W-1个空间位置对应的α参数，y是F'中的一个特征值，每个空间位置对应一个y。

F”可以看做是通道激活以及空间激活后的F，F”也属于特征图。

使用PELU()计算A_S和F'与使用PELU()计算AC和F类似，在此不再赘述。

可选地，生成模块302被配置为根据训练数据集生成样本与类中心的第一正对集合、样本与类中心的第一负对集合、样本与样本的第二正对集合和样本与样本的第二负对集合。

第一正对集合为：

第一负对集合为

第二正对集合为：

P_i ^S＝{(x_i,x_j)|y_i＝y_j}

第二负对集合为：

x_i表示第i个样本的特征向量，y_i表示x_i对应的类中心，

表示第y_i个类中心的特征向量，w_j表示第j个非x_i对应的类中心的特征向量，xj表示第j个样本的特征向量。

损失函数为：

N为样本的总数量，s和m为预设的参数，n为类中心的总数量，

为第二正对集合中的对数。

为了便于说明本公开实施例对损失函数的改进，下面给出传统的人脸识别模型的损失函数：

可选地，训练模块304被配置为利用损失函数计算关于人脸识别模型对第一正对集合、第一负对集合、第二正对集合和第二负对集合产生的损失；根据计算的损失更新人脸识别模型的模型参数，已完成对人脸识别模型的训练。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图4是本公开实施例提供的电子设备4的示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。

电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者不同的部件。

处理器401可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。

存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种人脸识别模型的训练方法，其特征在于，包括：

构建通道和空间联合的矫正线性网络，并用所述矫正线性网络替代残差网络模型中的激活层网络，得到人脸识别模型；

获取训练数据集，并根据所述训练数据集生成样本与类中心的第一正对集合、样本与类中心的第一负对集合、样本与样本的第二正对集合和样本与样本的第二负对集合，其中，所述训练数据集，包括：多个类中心以及每个类中心下属的多个样本；

生成计算关于所述人脸识别模型对所述第一正对集合、所述第一负对集合、所述第二正对集合和所述第二负对集合产生损失的损失函数；

根据所述第一正对集合、所述第一负对集合、所述第二正对集合和所述第二负对集合，利用所述损失函数对所述人脸识别模型进行训练。

2.根据权利要求1所述的方法，其特征在于，所述矫正线性网络是由通道激活网络后接空间激活网络组成的，所述通道激活网络的输出是所述空间激活网络的输入。

3.根据权利要求2所述的方法，其特征在于，所述通道激活网络，包括：

F′＝PELU(Α_C,F)

Α_C＝{α₀,α₁,…,α_C-1}

F为输入所述通道激活网络的特征图，F是所述人脸识别模型中所述通道激活网络之前的网络部分处理样本或类中心得到的，F'是所述通道激活网络的输出，C为所述通道激活网络中的通道的总数量，A_C为所述通道激活网络中所有通道的α参数的集合，每个通道对应一个α参数，α₀为第0个通道对应的α参数，α₁为第1个通道对应的α参数，α_C-1为第C-1个通道对应的α参数，y是F中的一个特征值，每个通道对应一个y。

4.根据权利要求2所述的方法，其特征在于，所述空间激活网络，包括：

F″＝PELU(Α_S,F′)

Α_S＝{α₀,α₁,…,α_H×W-1}

F'是所述通道激活网络的输出，F'也是所述空间激活网络的输入，F”是所述空间激活网络的输出，H和W分别为F'的宽和高，H*W-1表示F'中特征值的总数量，也表示所述空间激活网络中的空间位置的总数量，A_S为所述空间激活网络中所有空间位置的α参数的集合，每个空间位置对应一个α参数，α₀为第0个空间位置对应的α参数，α₁为第1个空间位置对应的α参数，α_H*W-1为第H*W-1个空间位置对应的α参数，y是F'中的一个特征值，每个空间位置对应一个y。

5.根据权利要求1所述的方法，其特征在于，根据所述训练数据集生成样本与类中心的第一正对集合、样本与类中心的第一负对集合、样本与样本的第二正对集合和样本与样本的第二负对集合，包括：

所述第一正对集合为：

所述第一负对集合为

所述第二正对集合为：

P_i ^S＝{(x_i,x_j)|y_i＝y_j}

所述第二负对集合为：

x_i表示第i个样本的特征向量，y_i表示x_i对应的类中心，

表示第y_i个类中心的特征向量，w_j表示第j个非x_i对应的类中心的特征向量，xj表示第j个样本的特征向量。

6.根据权利要求5所述的方法，其特征在于，所述损失函数为：

N为样本的总数量，s和m为预设的参数，n为类中心的总数量，

为所述第二正对集合中的对数。

7.根据权利要求1所述的方法，其特征在于，根据所述第一正对集合、所述第一负对集合、所述第二正对集合和所述第二负对集合，利用所述损失函数对所述人脸识别模型进行训练，包括：

利用所述损失函数计算关于所述人脸识别模型对所述第一正对集合、所述第一负对集合、所述第二正对集合和所述第二负对集合产生的损失；

根据计算的损失更新所述人脸识别模型的模型参数，已完成对所述人脸识别模型的训练。

8.一种人脸识别模型的训练装置，其特征在于，包括：

构建模块，被配置为构建通道和空间联合的矫正线性网络，并用所述矫正线性网络替代残差网络模型中的激活层网络，得到人脸识别模型；

生成模块，被配置为获取训练数据集，并根据所述训练数据集生成样本与类中心的第一正对集合、样本与类中心的第一负对集合、样本与样本的第二正对集合和样本与样本的第二负对集合，其中，所述训练数据集，包括：多个类中心以及每个类中心下属的多个样本；

损失模块，被配置为生成计算关于所述人脸识别模型对所述第一正对集合、所述第一负对集合、所述第二正对集合和所述第二负对集合产生损失的损失函数；

训练模块，被配置为根据所述第一正对集合、所述第一负对集合、所述第二正对集合和所述第二负对集合，利用所述损失函数对所述人脸识别模型进行训练。

9.一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现如权利要求1至7中任一项方法的步骤。

10.一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时实现如权利要求1至7中任一项方法的步骤。

Images