CN116798103B - 基于人工智能的人脸图像处理方法及系统 - Google Patents
基于人工智能的人脸图像处理方法及系统 Download PDFInfo
- Publication number
- CN116798103B CN116798103B CN202311098532.9A CN202311098532A CN116798103B CN 116798103 B CN116798103 B CN 116798103B CN 202311098532 A CN202311098532 A CN 202311098532A CN 116798103 B CN116798103 B CN 116798103B
- Authority
- CN
- China
- Prior art keywords
- image data
- training image
- face
- network
- face matching
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 36
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 725
- 238000013528 artificial neural network Methods 0.000 claims abstract description 211
- 238000010191 image analysis Methods 0.000 claims abstract description 117
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000013508 migration Methods 0.000 claims description 41
- 230000005012 migration Effects 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 20
- 230000002776 aggregation Effects 0.000 claims description 18
- 238000004220 aggregation Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 18
- 230000004931 aggregating effect Effects 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 11
- 239000006185 dispersion Substances 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 104
- 230000001815 facial effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000002372 labelling Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例提供一种基于人工智能的人脸图像处理方法及系统,利用人脸匹配估计策略估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征,由此可以基于第一训练图像数据序列及第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征对第一基础神经网络进行网络权重优化,生成对应的人脸匹配网络,是结合可以估计相应人脸匹配字段下的人脸匹配向量的候选神经网络进行聚合,生成聚合神经网络,通过聚合神经网络,在结合更多特征的基础上来估计各人脸图像之间的人脸匹配参数,使得目标人脸图像分析网络可以通过聚合神经网络估计的人脸匹配属性特征学习聚合神经网络的网络性能,提高人脸图像分析效果。
Description
技术领域
本申请实施例涉及图像处理技术领域,具体而言,涉及一种基于人工智能的人脸图像处理方法及系统。
背景技术
随着视觉图像分析技术的不断发展,视觉图像分析技术已被广泛应用,例如,针对人脸图像而言,通过分析两个人脸图像之间的人脸匹配参数(如人脸五官匹配度、人脸脸型匹配度、人脸表情匹配度、人脸妆容匹配度等匹配参数),可以便于后续人脸图像的查重和比对等应用。然而,相关技术中的人脸匹配属性特征的标注工作量较大,并且只通过单独训练的人脸匹配网络分析的人脸匹配参数的准确性偏低,进而难以保证人脸图像分析效果。
发明内容
为了至少克服现有技术中的上述不足,本申请实施例的目的在于提供一种基于人工智能的人脸图像处理方法及系统。
依据本申请实施例的一个方面,提供了一种基于人工智能的人脸图像处理方法,包括:
基于人脸匹配估计策略估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征;第一训练图像数据的人脸匹配属性特征表征对应的第一训练图像数据中涵盖的各人脸图像之间的人脸匹配参数;
基于所述第一训练图像数据序列及所述第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征对第一基础神经网络进行网络权重优化,生成对应的人脸匹配网络;
对囊括所述人脸匹配网络和候选神经网络的神经网络序列中的各个标的神经网络进行聚合,生成聚合神经网络,并依据所述聚合神经网络估计第二训练图像数据序列中的第二训练图像数据的人脸匹配属性特征;第二训练图像数据的人脸匹配属性特征表征对应的第二训练图像数据中涵盖的各人脸图像之间的人脸匹配参数;
依据所述第二训练图像数据序列及所述第二训练图像数据序列中各个第二训练图像数据的人脸匹配属性特征对第二基础神经网络进行网络权重优化,获得用于分析各人脸图像之间的人脸匹配参数的目标人脸图像分析网络;其中,所述神经网络序列中的每一候选神经网络用于估计各人脸图像在一个人脸匹配字段下的人脸匹配向量,依据所述聚合神经网络估计的第二训练图像数据的人脸匹配属性特征是基于相应的各人脸图像在至少一个人脸匹配字段下的人脸匹配向量获得的。
在第一方面的一种可能的实施方式中,所述人脸匹配估计策略中配置了多个样本人脸匹配属性特征以及每一个样本人脸匹配属性特征所对应的人脸匹配表征向量信息,不同的样本人脸匹配属性特征对应于不同的人脸匹配参数;
所述基于人脸匹配估计策略估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征,包括:
获取人脸匹配估计策略,并获取第一训练图像数据序列;
将所述人脸匹配估计策略以及所述第一训练图像数据序列中的第一训练图像数据作为目标观测网络的网络加载数据,并获取所述目标观测网络的图像观测结果;其中,所述目标观测网络用于依据所述人脸匹配估计策略,从所述多个样本人脸匹配属性特征中选择一个样本人脸匹配属性特征;
将在所述图像观测结果中表征的样本人脸匹配属性特征确定为对应的第一训练图像数据的人脸匹配属性特征;
所述获取人脸匹配估计策略,包括:
获取人脸匹配估计策略的策略控制组件;所述人脸匹配估计策略的策略控制组件包括策略特征数据以及内容特征数据,所述策略特征数据被配置于存储从所述多个样本人脸匹配属性特征中选择一个样本人脸匹配属性特征确定为表征各人脸图像之间的人脸匹配参数的人脸匹配属性特征时的操作策略;所述内容特征数据被配置于存储模板图像数据中涵盖的各人脸图像和相应模板图像数据的样本人脸匹配属性特征之间的关系;模板图像数据的样本人脸匹配属性特征表征:相应模板图像数据中涵盖的各人脸图像之间的人脸匹配参数;
获取多个模板图像数据以及各个模板图像数据的样本人脸匹配属性特征,并将所述多个模板图像数据以和对应的样本人脸匹配属性特征加载到所述人脸匹配估计策略的策略控制组件的内容特征数据中,生成所述人脸匹配估计策略;
所述将所述人脸匹配估计策略以及所述第一训练图像数据序列中的第一训练图像数据作为目标观测网络的网络加载数据,并获取所述目标观测网络的图像观测结果,包括:
获取网络加载数据通道;所述网络加载数据通道包括训练图像数据空间;
将所述第一训练图像数据序列中的第一训练图像数据中涵盖的各人脸图像加载到所述网络加载数据通道的训练图像数据空间中,生成加载图像数据;所述目标观测网络用于依据所述人脸匹配估计策略以及所述加载图像数据,确定加载到所述训练图像数据空间的第一训练图像数据中各人脸图像之间的人脸匹配参数的人脸匹配属性特征;
将所述人脸匹配估计策略作为所述目标观测网络的网络加载数据,并在获得所述目标观测网络针对所述人脸匹配估计策略所观测到的响应数据之后,将所述加载图像数据加载到所述目标观测网络中;
获取所述目标观测网络针对所述加载图像数据所观测到的图像观测结果;
所述图像观测结果中包括第一观测结果以及第二观测结果;所述第一观测结果表征:所述目标观测网络针对加载的第一训练图像数据从所述多个样本人脸匹配属性特征中所选取的样本人脸匹配属性特征;所述第二观测结果表征:所述目标观测网络针对加载的第一训练图像数据从所述多个样本人脸匹配属性特征中选择相应样本人脸匹配属性特征时的选择依据。
在第一方面的一种可能的实施方式中,所述基于人脸匹配估计策略估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征之后,所述方法还包括:
生成所述第一训练图像数据序列中的第一训练图像数据和对应的人脸匹配属性特征,并生成更新指令信息;所述更新指令信息指示对第一训练图像数据的人脸匹配属性特征进行更新;
接收优化人脸匹配属性特征的第一训练图像数据以及对应的优化后的人脸匹配属性特征,并将所述第一训练图像数据序列中对应的第一训练图像数据的人脸匹配属性特征调整为优化后的人脸匹配属性特征。
在第一方面的一种可能的实施方式中,所述方法还包括:
获取第三训练图像数据序列,并依据所述目标人脸图像分析网络分析所述第三训练图像数据序列中各个第三训练图像数据的人脸匹配属性特征;
依据所述第三训练图像数据序列以及所述第三训练图像数据序列中各个第三训练图像数据的人脸匹配属性特征,对所述目标人脸图像分析网络进行网络权重参数迁移训练,生成迁移训练网络,生成的至少一个迁移训练网络的网络权重信息量小于所述目标人脸图像分析网络的网络权重信息量。
在第一方面的一种可能的实施方式中,所述方法还包括:
将所述目标人脸图像分析网络加载到所述神经网络序列中,生成更新神经网络序列;
对所述更新神经网络序列中的各个标的神经网络进行聚合,生成更新聚合神经网络,并依据所述更新聚合神经网络估计第四训练图像数据序列中的第四训练图像数据的人脸匹配属性特征;第四训练图像数据的人脸匹配属性特征表征对应的第四训练图像数据中涵盖的各人脸图像之间的人脸匹配参数;
依据所述第四训练图像数据序列及所述第四训练图像数据序列中各个第四训练图像数据的人脸匹配属性特征对第三基础神经网络进行网络权重优化,获得更新目标人脸图像分析网络。
在第一方面的一种可能的实施方式中,所述对囊括所述人脸匹配网络和候选神经网络的神经网络序列中的各个标的神经网络进行聚合,生成聚合神经网络,包括:
获取有监督训练图像数据序列以及基础预测网络;所述有监督训练图像数据序列中的有监督训练图像数据携带的人脸匹配属性特征表征涵盖的各人脸图像之间的人脸匹配参数;
将所述有监督训练图像数据序列中的有监督训练图像数据作为所述神经网络序列中各个标的神经网络的网络加载数据,将所述各个标的神经网络的网络生成数据作为所述基础预测网络的网络加载数据,以及将相应有监督训练图像数据的人脸匹配属性特征确定为所述基础预测网络的监督生成数据,对所述基础预测网络进行迭代更新,生成目标预测网络;
依据所述神经网络序列中的各个标的神经网络以及所述目标预测网络得到所述聚合神经网络。
在第一方面的一种可能的实施方式中,每个第二训练图像数据中涵盖的各人脸图像分别为人脸搜索图像以及人脸推送图像;所述第二训练图像数据序列包括至少每个第二训练图像数据簇,每个第二训练图像数据簇中各个第二训练图像数据的人脸搜索图像相同,且人脸推送图像不同;
所述依据所述第二训练图像数据序列及所述第二训练图像数据序列中各个第二训练图像数据的人脸匹配属性特征对第二基础神经网络进行网络权重优化,获得用于分析各人脸图像之间的人脸匹配参数的目标人脸图像分析网络,包括:
基于所述第二训练图像数据序列中参考第二训练图像数据簇对应的人脸匹配属性特征,确定所述参考第二训练图像数据簇中各个第二训练图像数据的首序先验支持度;首序先验支持度表征:对应的第二训练图像数据在对应的第二训练图像数据簇中位于首个排序的可能性;
将所述参考第二训练图像数据簇中的第二训练图像数据作为初始目标人脸图像分析网络的网络加载数据,并基于所述初始目标人脸图像分析网络,针对所述参考第二训练图像数据簇中各个第二训练图像数据的网络生成数据,确定所述参考第二训练图像数据簇中各个第二训练图像数据的首序排列估计支持度;
依据首序排列估计支持度以及首序先验支持度,确定出目标训练误差参数;
基于所述目标训练误差参数更新所述初始目标人脸图像分析网络的网络权重信息量,生成所述目标人脸图像分析网络。
在第一方面的一种可能的实施方式中,所述第二训练图像数据序列是从无监督训练图像数据序列中筛选得到的,所述无监督训练图像数据序列包括至少一个无监督训练图像数据簇,一个无监督训练图像数据簇中的无监督训练图像数据中涵盖的各人脸图像分别为人脸搜索图像以及人脸推送图像;一个无监督训练图像数据簇中各个无监督训练图像数据的人脸搜索图像相同,且人脸推送图像不同;
获取所述第二训练图像数据序列的方式包括:
依据所述聚合神经网络分析的,所述无监督训练图像数据序列中各个无监督训练图像数据簇对应的人脸匹配属性特征,确定所述无监督训练图像数据序列中各个无监督训练图像数据簇的人脸匹配属性特征的离散程度;
基于人脸匹配属性特征的离散程度对所述无监督训练图像数据序列进行数据清洗,生成数据清洗后的无监督训练图像数据序列;所述数据清洗后的无监督训练图像数据序列中无监督训练图像数据簇的人脸匹配属性特征的离散程度,大于被数据清洗掉的无监督训练图像数据簇的人脸匹配属性特征的离散程度;
将所述数据清洗后的无监督训练图像数据序列作为所述第二训练图像数据序列。
在第一方面的一种可能的实施方式中,所述方法还包括:
基于所述目标人脸图像分析网络对输入的任意两个目标人脸图像进行分析,获得该两个目标人脸图像之间的人脸匹配参数。
依据本申请实施例的一个方面,提供了一种基于人工智能的人脸图像处理系统,所述基于人工智能的人脸图像处理系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有机器可执行指令,所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的基于人工智能的人脸图像处理方法。
依据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述方面的各种可选实现方式中提供的方法。
在本申请的一些实施例所提供的技术方案中,利用人脸匹配估计策略估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征,第一训练图像数据的人脸匹配属性特征表征对应的第一训练图像数据中涵盖的各人脸图像之间的人脸匹配参数,由此可以基于第一训练图像数据序列及第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征对第一基础神经网络进行网络权重优化,生成对应的人脸匹配网络;可以基于人脸匹配估计策略实现对无监督训练图像数据的人脸匹配属性特征估计,降低人脸匹配属性特征的标注工作量。此外,生成的人脸匹配网络暂时不被配置于执行人脸匹配参数估计,而是结合可以估计相应人脸匹配字段下的人脸匹配向量的候选神经网络进行聚合,生成聚合神经网络,这样在依据人脸匹配估计策略估计的人脸匹配属性特征进行网络权重参数更新生成的人脸匹配网络的条件下,结合各人脸图像在更多人脸匹配字段下的人脸匹配向量,也即结合各人脸图像在更多人脸匹配字段下的特征,由此通过聚合神经网络,在结合更多特征的基础上来估计各人脸图像之间的人脸匹配参数,可以使得通过聚合神经网络分析的各人脸图像之间的人脸匹配参数,相较于只通过人脸匹配网络分析的人脸匹配参数的准确性更高。此外,通过聚合神经网络继续估计训练图像数据的人脸匹配属性特征,可以依据聚合神经网络继续估计的训练图像数据人脸匹配属性特征及相应训练图像数据,获得最终用于生成各人脸图像之间的人脸匹配参数的目标人脸图像分析网络;换言之,可以通过聚合神经网络估计的大量训练图像数据的人脸匹配属性特征来训练生成目标人脸图像分析网络,使得目标人脸图像分析网络可以通过聚合神经网络估计的人脸匹配属性特征学习聚合神经网络的网络性能,在维持人脸匹配参数估计的精度的条件下尽可能优化网络数量。也即,结合以上方案可以针对无监督训练图像数据进行特征标定,提高网络收敛速度,并且提高人脸图像分析效果。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要启用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的基础上,还可以结合这些附图提取其它相关的附图。
图1为本申请实施例提供的基于人工智能的人脸图像处理方法的流程示意图;
图2为本申请实施例提供的用于实现上述的基于人工智能的人脸图像处理方法的基于人工智能的人脸图像处理系统的结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围时,本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此,本申请并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
图1是本申请一种实施例提供的基于人工智能的人脸图像处理方法的流程示意图,下面对该基于人工智能的人脸图像处理方法进行详细介绍。
步骤S101,基于人脸匹配估计策略估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征。
其中,第一训练图像数据的人脸匹配属性特征表征对应的第一训练图像数据中涵盖的各人脸图像之间的人脸匹配参数。
一种可替代的实施方式中,人脸匹配估计策略可以为:用于控制如何确定可以表示各人脸图像之间的人脸匹配参数(也即人脸匹配度)的人脸匹配属性特征(也即人脸匹配标签)的策略;人脸匹配估计策略中配置了多个样本人脸匹配属性特征(也即参考人脸匹配标签)以及各个样本人脸匹配属性特征所对应的人脸匹配表征向量信息(也即人脸匹配度描述信息)。其中,不同的样本人脸匹配属性特征对应于不同的人脸匹配参数,即不同的样本人脸匹配属性特征表征不同的人脸匹配参数,样本人脸匹配属性特征所对应的人脸匹配表征向量信息用于描述相应样本人脸匹配属性特征所表征的人脸匹配参数。由此,人脸匹配估计策略具体可以被配置于:从其配置的多个样本人脸匹配属性特征中选择一个样本人脸匹配属性特征确定为表征各人脸图像之间的人脸匹配参数的人脸匹配属性特征。
一种可替代的实施方式中,本实施例基于人脸匹配估计策略估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征时,可以调用目标观测网络实现;当目标观测网络被用于基于人脸匹配估计策略估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征时,人脸匹配估计策略以及第一训练图像数据中的各人脸图像可以用于引导目标观测网络基于人脸匹配估计策略以及第一训练图像数据中的各人脸图像进行观测,以生成相应的观测数据,生成的观测数据可以指示目标观测网络依据人脸匹配估计策略以及第一训练图像数据中的各人脸图像,从多个样本人脸匹配属性特征中选择的样本人脸匹配属性特征。当调用目标观测网络生成第一训练图像数据序列中的第一训练图像数据的人脸匹配属性特征时,可以将人脸匹配估计策略以及第一训练图像数据序列中的第一训练图像数据作为目标观测网络的网络加载数据,并获取目标观测网络的图像观测结果,由此可以将在图像观测结果中表征的样本人脸匹配属性特征确定为对应的第一训练图像数据的人脸匹配属性特征。
步骤S102,基于第一训练图像数据序列及第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征对第一基础神经网络进行网络权重优化,生成对应的人脸匹配网络。
一种可替代的实施方式中,人脸匹配网络可以是基于第一训练图像数据序列及第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征,对基础人脸匹配网络进行网络权重参数更新获得。一种可替代的实施方式中,本实施例可以将第一训练图像数据序列中的第一训练图像数据作为基础人脸匹配网络的网络加载数据,将对应的人脸匹配属性特征确定为基础人脸匹配网络的监督生成数据,对基础人脸匹配网络进行网络权重参数更新,生成人脸匹配网络。一种可替代的实施方式中,本实施例可以往降低基础人脸匹配网络针对第一训练图像数据序列中的第一训练图像数据的网络生成数据,与对应的人脸匹配属性特征之间的特征距离的方向,更新基础人脸匹配网络的网络权重参数信息,从而训练生成对应的人脸匹配网络。
步骤S103,对囊括人脸匹配网络和候选神经网络的神经网络序列中的各个标的神经网络进行聚合,生成聚合神经网络,并通过聚合神经网络估计第二训练图像数据序列中的第二训练图像数据的人脸匹配属性特征。
其中,第二训练图像数据的人脸匹配属性特征表征对应的第二训练图像数据中涵盖的各人脸图像之间的人脸匹配参数;神经网络序列中的每一候选神经网络用于估计各人脸图像在一个人脸匹配字段下的人脸匹配向量,通过聚合神经网络估计的第二训练图像数据的人脸匹配属性特征是基于相应的各人脸图像在至少一个人脸匹配字段下的人脸匹配向量获得的。
一种可替代的实施方式中,神经网络序列中的候选神经网络可以是基于携带人脸匹配属性特征的训练图像数据序列进行网络权重参数更新生成的,该携带人脸匹配属性特征的训练图像数据序列中的训练图像数据可以包括:人脸搜索图像、人脸推送图像,该训练图像数据组合应的人脸匹配属性特征可以用于标注该人脸搜索图像与该人脸推送图像之间的人脸匹配参数。
一种可替代的实施方式中,聚合神经网络可以是依据目标预测网络,对囊括人脸匹配网络和候选神经网络的神经网络序列中的各个标的神经网络进行聚合得到的;目标预测网络可以是依据有监督训练图像数据序列以及有监督训练图像数据序列中各个有监督训练图像数据的人脸匹配属性特征对基础预测网络进行迭代更新得到的。其中,有监督训练图像数据序列中的有监督训练图像数据的人脸匹配属性特征表征:标注的相应有监督训练图像数据中涵盖的各人脸图像之间的人脸匹配参数,有监督训练图像数据序列中的有监督训练图像数据的人脸匹配属性特征可以是人为标定的;一种可替代的实施方式中,该有监督训练图像数据序列及人脸匹配属性特征可以和训练生成的神经网络序列中的候选人脸匹配网络的携带人脸匹配属性特征的训练图像数据序列及人脸匹配属性特征相同,也可以不同。一种可替代的实施方式中,该有监督训练图像数据序列及人脸匹配属性特征也可以在训练生成神经网络序列中的候选人脸匹配网络的携带人脸匹配属性特征的训练图像数据序列及人脸匹配属性特征的基础上,添加其它训练图像数据以及基于人脸匹配估计策略估计的人脸匹配属性特征。一种可替代的实施方式中,由于在步骤S101中指出本实施例会基于人脸匹配估计策略估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征,因此,该其它训练图像数据及人脸匹配属性特征可以选用第一训练图像数据序列中的部分或全部第一训练图像数据及人脸匹配属性特征,由此,可以实现在训练生成目标预测网络的过程中对标定的训练图像数据的扩展。其中,目标预测网络可以是逻辑回归模型、决策树模型等。一种可替代的实施方式中,在将神经网络序列中的各个标的神经网络集成得到一个聚合神经网络的过程中,神经网络序列中的神经网络的网络加载数据为有监督训练图像数据,基础预测网络的网络加载数据为神经网络序列中的模型的网络生成数据;在通过聚合神经网络估计第二训练图像数据序列中的第二训练图像数据的人脸匹配属性特征的过程中,神经网络序列中的模型的网络加载数据为第二训练图像数据序列中的第二训练图像数据,目标预测网络的网络加载数据为神经网络序列中的神经网络的网络生成数据,换言之,聚合神经网络的网络加载数据为第二训练图像数据序列中的第二训练图像数据。
步骤S104,依据第二训练图像数据序列及第二训练图像数据序列中各个第二训练图像数据的人脸匹配属性特征对第二基础神经网络进行网络权重优化,获得用于分析各人脸图像之间的人脸匹配参数的目标人脸图像分析网络;其中,所述神经网络序列中的每一候选神经网络用于估计各人脸图像在一个人脸匹配字段(也即人脸匹配维度,如五官匹配维度、脸型匹配维度、表情匹配维度等)下的人脸匹配向量(也即匹配关联关系),依据所述聚合神经网络估计的第二训练图像数据的人脸匹配属性特征是基于相应的各人脸图像在至少一个人脸匹配字段下的人脸匹配向量获得的。
一种可替代的实施方式中,目标人脸图像分析网络可以是基于第二训练图像数据序列及第二训练图像数据序列中各个第二训练图像数据的人脸匹配属性特征,对初始目标人脸图像分析网络进行网络权重参数更新生成的。一种可替代的实施方式中,本实施例可以将第二训练图像数据序列中的第二训练图像数据作为初始目标人脸图像分析网络的网络加载数据,将对应的人脸匹配属性特征确定为初始目标人脸图像分析网络的监督生成数据,对初始目标人脸图像分析网络进行网络权重参数更新,生成目标人脸图像分析网络。一种可替代的实施方式中,本实施例可以向降低初始目标人脸图像分析网络针对第二训练图像数据序列中的第二训练图像数据的网络生成数据,与对应的人脸匹配属性特征之间的特征距离的方向,更新初始目标人脸图像分析网络的网络权重信息量,生成目标人脸图像分析网络。
一种可替代的实施方式中,目标人脸图像分析网络的训练方式如下:
本实施例可以调用目标观测网络,基于加载的人脸匹配估计策略以及第一训练图像数据序列中的第一训练图像数据,估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征,然后,将第一训练图像数据序列中的第一训练图像数据作为基础人脸匹配网络的网络加载数据,将对应的人脸匹配属性特征确定为基础人脸匹配网络的监督生成数据,对基础人脸匹配网络进行网络权重参数更新,生成人脸匹配网络。
本实施例可以依据目标预测网络,对囊括人脸匹配网络和候选神经网络的神经网络序列中的各个标的神经网络进行聚合,生成聚合神经网络。本实施例可以通过聚合神经网络估计第二训练图像数据序列中的第二训练图像数据的人脸匹配属性特征,然后,将第二训练图像数据序列中的第二训练图像数据作为初始目标人脸图像分析网络的网络加载数据,将对应的人脸匹配属性特征确定为初始目标人脸图像分析网络的监督生成数据,对初始目标人脸图像分析网络进行网络权重参数更新,生成目标人脸图像分析网络。
基于以上步骤,本实施例利用人脸匹配估计策略估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征,第一训练图像数据的人脸匹配属性特征表征对应的第一训练图像数据中涵盖的各人脸图像之间的人脸匹配参数,由此可以基于第一训练图像数据序列及第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征对第一基础神经网络进行网络权重优化,生成对应的人脸匹配网络;可以基于人脸匹配估计策略实现对无监督训练图像数据的人脸匹配属性特征估计,降低人脸匹配属性特征的标注工作量。此外,生成的人脸匹配网络暂时不被配置于执行人脸匹配参数估计,而是结合可以估计相应人脸匹配字段下的人脸匹配向量的候选神经网络进行聚合,生成聚合神经网络,这样在依据人脸匹配估计策略估计的人脸匹配属性特征进行网络权重参数更新生成的人脸匹配网络的条件下,结合各人脸图像在更多人脸匹配字段下的人脸匹配向量,也即结合各人脸图像在更多人脸匹配字段下的特征,由此通过聚合神经网络,在结合更多特征的基础上来估计各人脸图像之间的人脸匹配参数,可以使得通过聚合神经网络分析的各人脸图像之间的人脸匹配参数,相较于只通过人脸匹配网络分析的人脸匹配参数的准确性更高。此外,通过聚合神经网络继续估计训练图像数据的人脸匹配属性特征,可以依据聚合神经网络继续估计的训练图像数据人脸匹配属性特征及相应训练图像数据,获得最终用于生成各人脸图像之间的人脸匹配参数的目标人脸图像分析网络;换言之,可以通过聚合神经网络估计的大量训练图像数据的人脸匹配属性特征来训练生成目标人脸图像分析网络,使得目标人脸图像分析网络可以通过聚合神经网络估计的人脸匹配属性特征学习聚合神经网络的网络性能,在维持人脸匹配参数估计的精度的条件下尽可能优化网络数量。也即,结合以上方案可以针对无监督训练图像数据进行特征标定,提高网络收敛速度,并且提高人脸图像分析效果。
下面进一步介绍本申请另一个实施例,可通过下述步骤实现:
步骤S201,基于人脸匹配估计策略估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征。其中,第一训练图像数据的人脸匹配属性特征表征对应的第一训练图像数据中涵盖的各人脸图像之间的人脸匹配参数。
一种可替代的实施方式中,本实施例基于人脸匹配估计策略估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征,可以包括:获取人脸匹配估计策略,并获取第一训练图像数据序列;将人脸匹配估计策略以及第一训练图像数据序列中的第一训练图像数据作为目标观测网络的网络加载数据,并获取目标观测网络的图像观测结果。所述目标观测网络用于依据人脸匹配估计策略,从多个样本人脸匹配属性特征中选择一个样本人脸匹配属性特征;将在图像观测结果中表征的样本人脸匹配属性特征确定为对应的第一训练图像数据的人脸匹配属性特征。
一种可替代的实施方式中,本实施例获取人脸匹配估计策略,可以包括:获取人脸匹配估计策略的策略控制组件;人脸匹配估计策略的策略控制组件包括策略特征数据以及内容特征数据,策略特征数据被配置于存储从多个样本人脸匹配属性特征中选择一个样本人脸匹配属性特征确定为表征各人脸图像之间的人脸匹配参数的人脸匹配属性特征时的操作策略;内容特征数据被配置于存储模板图像数据中涵盖的各人脸图像和相应模板图像数据的样本人脸匹配属性特征之间的关系;模板图像数据的样本人脸匹配属性特征表征:相应模板图像数据中涵盖的各人脸图像之间的人脸匹配参数;获取多个模板图像数据以及各个模板图像数据的样本人脸匹配属性特征,并将多个模板图像数据以和对应的样本人脸匹配属性特征加载到人脸匹配估计策略的策略控制组件的内容特征数据中,生成人脸匹配估计策略。
一种可替代的实施方式中,本实施例将人脸匹配估计策略以及第一训练图像数据序列中的第一训练图像数据作为目标观测网络的网络加载数据,并获取目标观测网络的图像观测结果,可以包括:获取网络加载数据通道;网络加载数据通道包括训练图像数据空间;将第一训练图像数据序列中的第一训练图像数据中涵盖的各人脸图像加载到网络加载数据通道的训练图像数据空间中,生成加载图像数据;目标观测网络用于依据人脸匹配估计策略以及加载图像数据,确定加载到训练图像数据空间的第一训练图像数据中各人脸图像之间的人脸匹配参数的人脸匹配属性特征;将人脸匹配估计策略以及加载图像数据作为目标观测网络的网络加载数据,并获取目标观测网络的图像观测结果。
一种可替代的实施方式中,本实施例将人脸匹配估计策略以及加载图像数据作为目标观测网络的网络加载数据时,可以将人脸匹配估计策略以及加载图像数据同时加载到目标观测网络中,也可以先输入人脸匹配估计策略,再输入依据第一训练图像数据序列中的第一训练图像数据生成的网络加载图像数据;一种可替代的实施方式中,在输入依据第一训练图像数据序列中的第一训练图像数据生成的网络加载图像数据时,可以分批次依据第一训练图像数据序列中的至少一个第一训练图像数据生成加载图像数据,并依次将各加载图像数据加载到目标观测网络中,生成目标观测网络针对各加载图像数据所观测到的图像观测结果。由此,本实施例将人脸匹配估计策略以及加载图像数据作为目标观测网络的网络加载数据,并获取目标观测网络的图像观测结果,可以包括:将人脸匹配估计策略作为目标观测网络的网络加载数据,并在获得目标观测网络针对人脸匹配估计策略所观测到的响应数据之后,将加载图像数据加载到目标观测网络中;获取目标观测网络针对加载图像数据所观测到的图像观测结果。一种可替代的实施方式中,本实施例可以将在图像观测结果中表征的样本人脸匹配属性特征确定为对应的第一训练图像数据的人脸匹配属性特征;其中,图像观测结果中可以包括第一观测结果,第一观测结果表征:目标观测网络针对加载的第一训练图像数据从多个样本人脸匹配属性特征中所选取的样本人脸匹配属性特征;一种可替代的实施方式中,图像观测结果中还可以包括第二观测结果,第二观测结果表征:目标观测网络针对加载的第一训练图像数据从多个样本人脸匹配属性特征中选择相应样本人脸匹配属性特征时的选择依据。
一种可替代的实施方式中,本实施例基于人脸匹配估计策略估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征之后,还可以:输出第一训练图像数据序列中的第一训练图像数据和对应的人脸匹配属性特征,并生成更新指令信息;更新指令信息指示对第一训练图像数据的人脸匹配属性特征进行更新;接收优化人脸匹配属性特征的第一训练图像数据以及对应的优化后的人脸匹配属性特征,并将第一训练图像数据序列中对应的第一训练图像数据的人脸匹配属性特征调整为优化后的人脸匹配属性特征。
步骤S202,基于第一训练图像数据序列及第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征对第一基础神经网络进行网络权重优化,生成对应的人脸匹配网络。
步骤S203,对囊括人脸匹配网络和候选神经网络的神经网络序列中的各个标的神经网络进行聚合,生成聚合神经网络,并通过聚合神经网络估计第二训练图像数据序列中的第二训练图像数据的人脸匹配属性特征。
其中,第二训练图像数据的人脸匹配属性特征表征对应的第二训练图像数据中涵盖的各人脸图像之间的人脸匹配参数;神经网络序列中的每一候选神经网络用于估计各人脸图像在一个人脸匹配字段下的人脸匹配向量,通过聚合神经网络估计的第二训练图像数据的人脸匹配属性特征是基于相应的各人脸图像在至少一个人脸匹配字段下的人脸匹配向量获得的。
一种可替代的实施方式中,本实施例对囊括人脸匹配网络和候选神经网络的神经网络序列中的各个标的神经网络进行聚合,生成聚合神经网络,可以包括:获取有监督训练图像数据序列以及基础预测网络;有监督训练图像数据序列中的有监督训练图像数据的人脸匹配属性特征表征:标注的相应有监督训练图像数据中涵盖的各人脸图像之间的人脸匹配参数;将有监督训练图像数据序列中的有监督训练图像数据作为神经网络序列中各个标的神经网络的网络加载数据,将各个标的神经网络的网络生成数据作为基础预测网络的网络加载数据,以及将相应有监督训练图像数据的人脸匹配属性特征确定为基础预测网络的监督生成数据,对基础预测网络进行迭代更新,生成目标预测网络;依据神经网络序列中的各个标的神经网络以及目标预测网络得到聚合神经网络。
一种可替代的实施方式中,本实施例针对基础预测网络的有监督训练可以包括:基于目标代价函数对基础预测网络的网络生成数据和相应有监督训练图像数据的人脸匹配属性特征进行训练代价计算得到预测训练误差参数,并基于预测训练误差参数更新基础预测网络的网络权重信息量;其中,预测训练误差参数是基于,基础预测网络的网络生成数据和相应有监督训练图像数据的人脸匹配属性特征之间的特征距离、以及基础预测网络针对有监督训练图像数据序列中的训练图像数据组合中负训练图像数据的网络生成数据和正训练图像数据的网络生成数据之间的特征距离确定出的。
其中,有监督训练图像数据序列中的训练图像数据组合是指有监督训练图像数据序列中的有监督训练图像数据簇中包括的训练图像数据组合;有监督训练图像数据序列包括至少一个有监督训练图像数据簇,一个有监督训练图像数据簇中各个有监督训练图像数据的人脸搜索图像相同,且人脸推送图像不同;有监督训练图像数据簇中包括由正训练图像数据和负训练图像数据构成的训练图像数据组合,有监督训练图像数据簇的训练图像数据组合中,正训练图像数据的人脸匹配属性特征所对应的人脸匹配参数大于负训练图像数据的人脸匹配属性特征所对应的人脸匹配参数。换言之,若依据一个人脸搜索图像可以从图像素材库中推荐N个人脸推送图像,可以依据该人脸搜索图像和N个人脸推送图像中的各个人脸推送图像分别构建有监督训练图像数据,由此可以获得N个有监督训练图像数据,该N个有监督训练图像数据簇成一个有监督训练图像数据簇;可以从一个有监督训练图像数据簇中选择2个人脸匹配属性特征不同的有监督训练图像数据,并将人脸匹配属性特征所对应的人脸匹配参数较大的有监督训练图像数据作为正训练图像数据,将人脸匹配属性特征所对应的人脸匹配参数较小的有监督训练图像数据作为负训练图像数据,依据正训练图像数据和负训练图像数据构建得到一个训练图像数据组合。
一种可替代的实施方式中,目标代价函数可以是基于第一目标代价子函数和第二目标代价子函数构建的,第一目标代价子函数可以用于基于基础预测网络的网络生成数据和相应有监督训练图像数据的人脸匹配属性特征确定出第一预测训练误差参数,第一预测训练误差参数与基础预测网络的网络生成数据和相应有监督训练图像数据的人脸匹配属性特征之间的特征距离呈正向关联;第二目标代价子函数可以用于基于基础预测网络的网络生成数据确定出第二预测训练误差参数,第二预测训练误差参数与基础预测网络的网络生成数据的特征距离呈负向关联,基础预测网络的网络生成数据的特征距离是指:基础预测网络针对有监督训练图像数据序列中的训练图像数据组合中负训练图像数据的网络生成数据和正训练图像数据的网络生成数据之间的特征距离。
由于第一预测训练误差参数与基础预测网络的网络生成数据和相应有监督训练图像数据的人脸匹配属性特征之间的特征距离呈正向关联,即可以依据减小基础预测网络的网络生成数据和相应有监督训练图像数据的人脸匹配属性特征之间的特征距离的方向,来更新基础预测网络的网络权重信息量;由于第二预测训练误差参数与基础预测网络的网络生成数据的特征距离呈负向关联,即可以依据增大基础预测网络的网络生成数据的特征距离的方向,来更新基础预测网络的网络权重信息,换言之,可以依据增大基础预测网络针对有监督训练图像数据序列中的训练图像数据组合中负训练图像数据的网络生成数据和正训练图像数据的网络生成数据之间的间隔的方向,来更新基础预测网络的网络权重信息。一种可替代的实施方式中,第一目标代价子函数可以选用MSE Loss,第二目标代价子函数可以选用Hinge Loss。
步骤S204,依据第二训练图像数据序列及第二训练图像数据序列中各个第二训练图像数据的人脸匹配属性特征对第二基础神经网络进行网络权重优化,获得用于分析各人脸图像之间的人脸匹配参数的目标人脸图像分析网络。
一种可替代的实施方式中,每个第二训练图像数据中涵盖的各人脸图像分别为人脸搜索图像以及人脸推送图像;第二训练图像数据序列包括至少每个第二训练图像数据簇,每个第二训练图像数据簇中各个第二训练图像数据的人脸搜索图像相同,且人脸推送图像不同;换言之,若依据一个人脸搜索图像可以从图像素材库中推荐K个人脸推送图像,可以依据该人脸搜索图像和K个人脸推送图像中的各个人脸推送图像分别构建第二训练图像数据,由此可以获得K个第二训练图像数据,该K个第二训练图像数据簇成每个第二训练图像数据簇。本实施例依据第二训练图像数据序列及第二训练图像数据序列中各个第二训练图像数据的人脸匹配属性特征对第二基础神经网络进行网络权重优化,获得用于分析各人脸图像之间的人脸匹配参数的目标人脸图像分析网络,可以包括:基于第二训练图像数据序列中参考第二训练图像数据簇对应的人脸匹配属性特征,确定参考第二训练图像数据簇中各个第二训练图像数据的首序先验支持度;首序先验支持度表征:对应的第二训练图像数据在对应的第二训练图像数据簇中位于首个排序的可能性;将参考第二训练图像数据簇中的第二训练图像数据作为初始目标人脸图像分析网络的网络加载数据,并基于初始目标人脸图像分析网络,针对参考第二训练图像数据簇中各个第二训练图像数据的网络生成数据,确定参考第二训练图像数据簇中各个第二训练图像数据的首序排列估计支持度;依据首序排列估计支持度以及首序先验支持度,确定出目标训练误差参数;基于目标训练误差参数更新初始目标人脸图像分析网络的网络权重信息,生成目标人脸图像分析网络。其中,该参考第二训练图像数据簇为第二训练图像数据序列中的任一第二训练图像数据簇。
一种可替代的实施方式中,本实施例可以依据减小目标训练误差参数的方向,更新初始目标人脸图像分析网络的网络权重信息,换言之,本实施例可以依据减小参考第二训练图像数据簇中同一第二训练图像数据的首序排列估计支持度与首序先验支持度之间的特征距离,更新初始目标人脸图像分析网络的网络权重信息。
步骤S205,获取第三训练图像数据序列,并通过目标人脸图像分析网络分析第三训练图像数据序列中各个第三训练图像数据的人脸匹配属性特征。
一种可替代的实施方式中,第三训练图像数据的人脸匹配属性特征表征:依据目标人脸图像分析网络估计的,对应的第三训练图像数据中包括的各人脸图像之间的人脸匹配参数。第三训练图像数据中包括的各人脸图像可以为人脸搜索图像和人脸推送图像;可以将第三训练图像数据作为目标人脸图像分析网络的网络加载数据,以分析相应的第三训练图像数据的人脸匹配属性特征;一种可替代的实施方式中,第三训练图像数据序列可以和第二训练图像数据序列为同一训练图像数据序列,也可以不同。
步骤S206,依据第三训练图像数据序列以及第三训练图像数据序列中各个第三训练图像数据的人脸匹配属性特征,对目标人脸图像分析网络进行网络权重参数迁移训练,生成迁移训练网络。
其中,生成的至少一个迁移训练网络的网络权重信息量少于目标人脸图像分析网络的网络权重信息量。
一种可替代的实施方式中,本实施例依据第三训练图像数据序列以及第三训练图像数据序列中各个第三训练图像数据的人脸匹配属性特征,对目标人脸图像分析网络进行网络权重参数迁移训练,生成迁移训练网络可以包括:将第三训练图像数据作为初始迁移训练网络的网络加载数据,并基于预置训练代价函数对初始迁移训练网络的网络生成数据和对应的第三训练图像数据的人脸匹配属性特征进行训练代价计算得到图像分析训练误差参数;基于图像分析训练误差参数更新初始迁移训练网络的网络权重信息量,生成迁移训练网络;其中,图像分析训练误差参数是基于,初始迁移训练网络的网络生成数据和对应的第三训练图像数据的人脸匹配属性特征之间的特征距离、初始迁移训练网络针对第三训练图像数据序列中的训练图像数据组合中负训练图像数据的网络生成数据和正训练图像数据的网络生成数据之间的特征距离、以及相应训练图像数据组合中负训练图像数据组合应的人脸匹配属性特征和正训练图像数据组合应的人脸匹配属性特征之间的特征距离确定出的。
一种可替代的实施方式中,第三训练图像数据序列中的训练图像数据组合是指第三训练图像数据序列中的第三训练图像数据簇中包括的训练图像数据组合;第三训练图像数据序列包括至少一个第三训练图像数据簇,一个第三训练图像数据簇中各个第三训练图像数据的人脸搜索图像相同,且人脸推送图像不同;第三训练图像数据簇中包括由正训练图像数据和负训练图像数据构成的训练图像数据组合,第三训练图像数据簇的训练图像数据组合中,正训练图像数据的人脸匹配属性特征所对应的人脸匹配参数大于负训练图像数据的人脸匹配属性特征所对应的人脸匹配参数;换言之,若依据一个人脸搜索图像可以从图像素材库中推荐N个人脸推送图像,可以依据该人脸搜索图像和N个人脸推送图像中的各个人脸推送图像分别构建第三训练图像数据,由此可以获得N个第三训练图像数据,该N个第三训练图像数据簇成一个第三训练图像数据簇;可以从一个第三训练图像数据簇中选择2个人脸匹配属性特征不同的第三训练图像数据,并将人脸匹配属性特征所对应的人脸匹配参数较大的第三训练图像数据作为正训练图像数据,将人脸匹配属性特征所对应的人脸匹配参数较小的第三训练图像数据作为负训练图像数据,依据正训练图像数据和负训练图像数据构建得到一个训练图像数据组合。
一种可替代的实施方式中,预置训练代价函数可以是基于第一预置训练代价子函数和第二预置训练代价子函数构建的,第一预置训练代价子函数可以用于基于初始迁移训练网络的网络生成数据和对应的第三训练图像数据的人脸匹配属性特征确定出第一图像分析训练误差参数,第一图像分析训练误差参数与初始迁移训练网络的网络生成数据和对应的第三训练图像数据的人脸匹配属性特征之间的特征距离呈正向关联;第二预置训练代价子函数可以用于基于初始迁移训练网络的网络生成数据和对应的第三训练图像数据的人脸匹配属性特征确定出第二图像分析训练误差参数,第二图像分析训练误差参数与初始迁移训练网络的网络生成数据的特征距离呈正向关联,初始迁移训练网络的网络生成数据的特征距离是指:第一特征距离与第二特征距离之间的特征距离,第一特征距离是指:初始迁移训练网络针对第三训练图像数据序列中的训练图像数据组合中负训练图像数据的网络生成数据和正训练图像数据的网络生成数据之间的特征距离,第二特征距离是指:第三训练图像数据序列中的训练图像数据组合中负训练图像数据组合应的人脸匹配属性特征和正训练图像数据组合应的人脸匹配属性特征之间的特征距离。
本实施例可以依据减小图像分析训练误差参数的方向,即减小第一图像分析训练误差参数以及第二图像分析训练误差参数的方向,来更新初始迁移训练网络的网络权重信息量,生成迁移训练网络;由于第一图像分析训练误差参数与初始迁移训练网络的网络生成数据和对应的第三训练图像数据的人脸匹配属性特征之间的特征距离呈正向关联,即可以依据减小初始迁移训练网络的网络生成数据和对应的第三训练图像数据的人脸匹配属性特征之间的特征距离的方向,来更新初始迁移训练网络的网络权重信息量;由于第二图像分析训练误差参数与初始迁移训练网络的网络生成数据的特征距离呈正向关联,初始迁移训练网络的网络生成数据的特征距离是指:第一特征距离与第二特征距离之间的特征距离,即可以依据减小第一特征距离与第二特征距离之间的特征距离的方向,即使得第一特征距离,趋近于第二特征距离的方向,来更新初始迁移训练网络的网络权重信息量。一种可替代的实施方式中,一预置训练代价子函数可以选用softCross Entropy Loss,第二预置训练代价子函数可以选用soft Hinge Loss。
下面介绍另一种目标人脸图像分析网络的训练实施例:
本实施例可以调用目标观测网络,基于加载的人脸匹配估计策略以及第一训练图像数据序列中的第一训练图像数据,估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征,然后,将第一训练图像数据序列中的第一训练图像数据作为基础人脸匹配网络的网络加载数据,将对应的人脸匹配属性特征确定为基础人脸匹配网络的监督生成数据,对基础人脸匹配网络进行网络权重参数更新,生成人脸匹配网络。
本实施例可以将有监督训练图像数据序列中的有监督训练图像数据作为神经网络序列中各个标的神经网络的网络加载数据,将各个标的神经网络的网络生成数据作为基础预测网络的网络加载数据,以及将相应有监督训练图像数据的人脸匹配属性特征确定为基础预测网络的监督生成数据,对基础预测网络进行迭代更新,生成目标预测网络,并依据神经网络序列中的各个标的神经网络以及目标预测网络得到聚合神经网络;其中,神经网络序列中可以包括人脸匹配网络以及至少一个候选神经网络。
本实施例可以通过聚合神经网络估计第二训练图像数据序列中的第二训练图像数据的人脸匹配属性特征,然后,将第二训练图像数据序列中的第二训练图像数据作为初始目标人脸图像分析网络的网络加载数据,将对应的人脸匹配属性特征确定为初始目标人脸图像分析网络的监督生成数据,对初始目标人脸图像分析网络进行网络权重参数更新,生成目标人脸图像分析网络。
下面介绍迁移训练网络的训练实施例:
本实施例可以调用目标观测网络,基于加载的人脸匹配估计策略以及第一训练图像数据序列中的第一训练图像数据,估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征,然后,将第一训练图像数据序列中的第一训练图像数据作为基础人脸匹配网络的网络加载数据,将对应的人脸匹配属性特征确定为基础人脸匹配网络的监督生成数据,对基础人脸匹配网络进行网络权重参数更新,生成人脸匹配网络。
本实施例可以将有监督训练图像数据序列中的有监督训练图像数据作为神经网络序列中各个标的神经网络的网络加载数据,将各个标的神经网络的网络生成数据作为基础预测网络的网络加载数据,以及将相应有监督训练图像数据的人脸匹配属性特征确定为基础预测网络的监督生成数据,对基础预测网络进行迭代更新,生成目标预测网络,并依据神经网络序列中的各个标的神经网络以及目标预测网络得到聚合神经网络;其中,神经网络序列中可以包括人脸匹配网络以及至少一个候选神经网络。
本实施例可以通过聚合神经网络估计第二训练图像数据序列中的第二训练图像数据的人脸匹配属性特征,然后,将第二训练图像数据序列中的第二训练图像数据作为初始目标人脸图像分析网络的网络加载数据,将对应的人脸匹配属性特征确定为初始目标人脸图像分析网络的监督生成数据,对初始目标人脸图像分析网络进行网络权重参数更新,生成目标人脸图像分析网络。
本实施例可以通过目标人脸图像分析网络分析第三训练图像数据序列中各个第三训练图像数据的人脸匹配属性特征,然后,依据第三训练图像数据序列以及第三训练图像数据序列中各个第三训练图像数据的人脸匹配属性特征,对目标人脸图像分析网络进行网络权重参数迁移训练,生成迁移训练网络。
基于以上步骤,可以通过目标观测网络,来基于人脸匹配估计策略以及第一训练图像数据序列中的第一训练图像数据,分析可以表征对应的第一训练图像数据中涵盖的各人脸图像之间的人脸匹配参数的人脸匹配属性特征,进而可以基于第一训练图像数据序列及第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征对第一基础神经网络进行网络权重优化,生成对应的人脸匹配网络,将包括人脸匹配网络和候选神经网络的神经网络序列中的各个标的神经网络进行聚合获得聚合神经网络,并通过聚合神经网络估计第二训练图像数据序列中的第二训练图像数据的人脸匹配属性特征,依据第二训练图像数据序列及第二训练图像数据序列中各个第二训练图像数据的人脸匹配属性特征对第二基础神经网络进行网络权重优化,获得用于分析各人脸图像之间的人脸匹配参数的目标人脸图像分析网络。可以通过目标观测网络以及人脸匹配估计策略实现对无监督训练图像数据的人脸匹配属性特征估计,降低人脸匹配属性特征的标注工作量。通过将包括人脸匹配网络和候选神经网络的神经网络序列中的各个标的神经网络进行聚合,并通过聚合神经网络估计的人脸匹配属性特征来训练生成目标人脸图像分析网络,使得目标人脸图像分析网络还可以学习到目标观测网络估计表征人脸匹配参数的人脸匹配属性特征的网络性能,提高人脸图像的人脸匹配参数的估计精度。
下面介绍本申请进一步的另一种实施例,包括以下步骤:
步骤S301,基于人脸匹配估计策略估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征。
其中,第一训练图像数据的人脸匹配属性特征表征对应的第一训练图像数据中涵盖的各人脸图像之间的人脸匹配参数。
步骤S302,基于第一训练图像数据序列及第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征对第一基础神经网络进行网络权重优化,生成对应的人脸匹配网络。
步骤S303,对囊括人脸匹配网络和候选神经网络的神经网络序列中的各个标的神经网络进行聚合,生成聚合神经网络,并通过聚合神经网络估计第二训练图像数据序列中的第二训练图像数据的人脸匹配属性特征。
其中,第二训练图像数据的人脸匹配属性特征表征对应的第二训练图像数据中涵盖的各人脸图像之间的人脸匹配参数;神经网络序列中的每一候选神经网络用于估计各人脸图像在一个人脸匹配字段下的人脸匹配向量,通过聚合神经网络估计的第二训练图像数据的人脸匹配属性特征是基于相应的各人脸图像在至少一个人脸匹配字段下的人脸匹配向量获得的。
一种可替代的实施方式中,第二训练图像数据序列可以是从无监督训练图像数据序列中筛选获得,无监督训练图像数据序列包括至少一个无监督训练图像数据簇,一个无监督训练图像数据簇中的无监督训练图像数据中涵盖的各人脸图像分别为人脸搜索图像以及人脸推送图像;一个无监督训练图像数据簇中各个无监督训练图像数据的人脸搜索图像相同,且人脸推送图像不同;本实施例获取第二训练图像数据序列的方式可以包括:依据聚合神经网络分析的,无监督训练图像数据序列中各个无监督训练图像数据簇对应的人脸匹配属性特征,确定无监督训练图像数据序列中各个无监督训练图像数据簇的人脸匹配属性特征的离散程度;基于人脸匹配属性特征的离散程度对无监督训练图像数据序列进行数据清洗,生成数据清洗后的无监督训练图像数据序列;数据清洗后的无监督训练图像数据序列中无监督训练图像数据簇的人脸匹配属性特征的离散程度,大于被数据清洗掉的无监督训练图像数据簇的人脸匹配属性特征的离散程度;将数据清洗后的无监督训练图像数据序列作为第二训练图像数据序列。
一种可替代的实施方式中,本实施例可以依据聚合神经网络分析的,无监督训练图像数据序列中各个无监督训练图像数据簇对应的人脸匹配属性特征,确定无监督训练图像数据序列中各个无监督训练图像数据簇的人脸匹配属性特征的离散程度;基于人脸匹配属性特征的离散程度对无监督训练图像数据序列进行数据清洗,生成数据清洗后的无监督训练图像数据序列;数据清洗后的无监督训练图像数据序列中无监督训练图像数据簇的人脸匹配属性特征的离散程度,大于被清洗掉的无监督训练图像数据簇的人脸匹配属性特征的离散程度;将清洗后的无监督训练图像数据序列作为第二训练图像数据序列。
一种可替代的实施例中,本实施例基于人脸匹配属性特征的离散程度对无监督训练图像数据序列进行数据清洗,生成数据清洗后的无监督训练图像数据序列时,可以将无监督训练图像数据序列中人脸匹配属性特征的离散程度大于门限离散程度的无监督训练图像数据簇进行保留,生成数据清洗后的无监督训练图像数据序列,使得数据清洗后的无监督训练图像数据序列中无监督训练图像数据簇的人脸匹配属性特征的离散程度,大于被数据清洗掉的无监督训练图像数据簇的人脸匹配属性特征的离散程度。
步骤S304,依据第二训练图像数据序列及第二训练图像数据序列中各个第二训练图像数据的人脸匹配属性特征对第二基础神经网络进行网络权重优化,获得用于分析各人脸图像之间的人脸匹配参数的目标人脸图像分析网络。
步骤S305,将目标人脸图像分析网络加载到神经网络序列中,生成更新神经网络序列。
步骤S306,对更新神经网络序列中的各个标的神经网络进行聚合,生成更新聚合神经网络,并通过更新聚合神经网络估计第四训练图像数据序列中的第四训练图像数据的人脸匹配属性特征。
步骤S307,依据第四训练图像数据序列及第四训练图像数据序列中各个第四训练图像数据的人脸匹配属性特征对第三基础神经网络进行网络权重优化,获得更新目标人脸图像分析网络。
其中,第四训练图像数据的人脸匹配属性特征表征对应的第四训练图像数据中涵盖的各人脸图像之间的人脸匹配参数。
步骤S308,获取第三训练图像数据序列,并通过更新目标人脸图像分析网络分析第三训练图像数据序列中各个第三训练图像数据的人脸匹配属性特征。
步骤S309,依据第三训练图像数据序列以及第三训练图像数据序列中各个第三训练图像数据的人脸匹配属性特征,对更新目标人脸图像分析网络进行网络权重参数迁移训练,生成迁移训练网络。
其中,生成的至少一个迁移训练网络的网络权重信息量少于更新目标人脸图像分析网络的网络权重信息量。
下面介绍迁移训练网络的另一种训练实施例:
本实施例可以调用目标观测网络,基于加载的人脸匹配估计策略以及第一训练图像数据序列中的第一训练图像数据,估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征,然后,将第一训练图像数据序列中的第一训练图像数据作为基础人脸匹配网络的网络加载数据,将对应的人脸匹配属性特征确定为基础人脸匹配网络的监督生成数据,对基础人脸匹配网络进行网络权重参数更新,生成人脸匹配网络。
本实施例可以将有监督训练图像数据序列中的有监督训练图像数据作为神经网络序列中各个标的神经网络的网络加载数据,将各个标的神经网络的网络生成数据作为基础预测网络的网络加载数据,以及将相应有监督训练图像数据的人脸匹配属性特征确定为基础预测网络的监督生成数据,对基础预测网络进行迭代更新,生成目标预测网络,并依据神经网络序列中的各个标的神经网络以及目标预测网络得到聚合神经网络;其中,神经网络序列中可以包括人脸匹配网络以及至少一个候选神经网络。
本实施例可以通过聚合神经网络估计第二训练图像数据序列中的第二训练图像数据的人脸匹配属性特征,然后,将第二训练图像数据序列中的第二训练图像数据作为初始目标人脸图像分析网络的网络加载数据,将对应的人脸匹配属性特征确定为初始目标人脸图像分析网络的监督生成数据,对初始目标人脸图像分析网络进行网络权重参数更新,生成目标人脸图像分析网络。
本实施例可以将目标人脸图像分析网络加载到神经网络序列中,生成更新神经网络序列,并依据更新神经网络序列训练生成一个更新目标人脸图像分析网络,并循环执行将更新目标人脸图像分析网络加载到神经网络序列中,生成更新神经网络序列,并依据更新神经网络序列训练生成一个更新目标人脸图像分析网络的过程,直到获得收敛的更新目标人脸图像分析网络。
本实施例可以通过更新目标人脸图像分析网络分析第三训练图像数据序列中各个第三训练图像数据的人脸匹配属性特征,然后,依据第三训练图像数据序列以及第三训练图像数据序列中各个第三训练图像数据的人脸匹配属性特征,对更新目标人脸图像分析网络进行网络权重参数迁移训练,生成迁移训练网络。
由此,在训练生成目标人脸图像分析网络之后,可以将目标人脸图像分析网络加载到神经网络序列中,生成更新神经网络序列,并依据更新神经网络序列训练生成一个更新目标人脸图像分析网络,并循环执行将更新目标人脸图像分析网络加载到神经网络序列中,生成更新神经网络序列,并依据更新神经网络序列训练生成一个更新目标人脸图像分析网络的过程,直到生成收敛后的更新目标人脸图像分析网络。通过循环执行训练更新目标人脸图像分析网络的过程,可以提高更新目标人脸图像分析网络的网络性能,由此提高后续生成的迁移训练网络的网络性能。
图2示出了本申请实施例提供的用于实现上述的基于人工智能的人脸图像处理方法的基于人工智能的人脸图像处理系统100的硬件结构意图,如图2所示,基于人工智能的人脸图像处理系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
一种可替代的实施例中,基于人工智能的人脸图像处理系统100可以是单个服务器,也可以是服务器组。所述服务器组可以是集中式的,也可以是分布式的(例如,基于人工智能的人脸图像处理系统100可以是分布式的系统)。一种可替代的实施例中,基于人工智能的人脸图像处理系统100可以是本地的,也可以是远程的。例如,基于人工智能的人脸图像处理系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如,基于人工智能的人脸图像处理系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。一种可替代的实施例中,基于人工智能的人脸图像处理系统100可以在云平台上实施。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
机器可读存储介质120可以储存数据和/或指令。一种可替代的实施例中,机器可读存储介质120可以存储从外部终端获取的数据。一种可替代的实施例中,机器可读存储介质120可以储存基于人工智能的人脸图像处理系统100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。一种可替代的实施例中,机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。
在具体实现过程中,多个处理器110执行机器可读存储介质120存储的计算机可执行指令,使得处理器110可以执行如上方法实施例的基于人工智能的人脸图像处理方法,处理器110、机器可读存储介质120以及通信单元140通过总线130连接,处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述基于人工智能的人脸图像处理系统100执行的各个方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
此外,本申请实施例还提供一种可读存储介质,所述可读存储介质中预设有计算机可执行指令,当处理器执行所述计算机可执行指令时,实现如上基于人工智能的人脸图像处理方法。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。
Claims (9)
1.一种基于人工智能的人脸图像处理方法,其特征在于,所述方法包括:
基于人脸匹配估计策略估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征;第一训练图像数据的人脸匹配属性特征表征对应的第一训练图像数据中涵盖的各人脸图像之间的人脸匹配参数;
基于所述第一训练图像数据序列及所述第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征对第一基础神经网络进行网络权重优化,生成对应的人脸匹配网络;
对囊括所述人脸匹配网络和候选神经网络的神经网络序列中的各个标的神经网络进行聚合,生成聚合神经网络,并依据所述聚合神经网络估计第二训练图像数据序列中的第二训练图像数据的人脸匹配属性特征;第二训练图像数据的人脸匹配属性特征表征对应的第二训练图像数据中涵盖的各人脸图像之间的人脸匹配参数;
依据所述第二训练图像数据序列及所述第二训练图像数据序列中各个第二训练图像数据的人脸匹配属性特征对第二基础神经网络进行网络权重优化,获得用于分析各人脸图像之间的人脸匹配参数的目标人脸图像分析网络;其中,所述神经网络序列中的每一候选神经网络用于估计各人脸图像在一个人脸匹配字段下的人脸匹配向量,依据所述聚合神经网络估计的第二训练图像数据的人脸匹配属性特征是基于相应的各人脸图像在至少一个人脸匹配字段下的人脸匹配向量获得的;
所述人脸匹配估计策略中配置了多个样本人脸匹配属性特征以及每一个样本人脸匹配属性特征所对应的人脸匹配表征向量信息,不同的样本人脸匹配属性特征对应于不同的人脸匹配参数;
所述基于人脸匹配估计策略估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征,包括:
获取人脸匹配估计策略,并获取第一训练图像数据序列;
将所述人脸匹配估计策略以及所述第一训练图像数据序列中的第一训练图像数据作为目标观测网络的网络加载数据,并获取所述目标观测网络的图像观测结果;其中,所述目标观测网络用于依据所述人脸匹配估计策略,从所述多个样本人脸匹配属性特征中选择一个样本人脸匹配属性特征;
将在所述图像观测结果中表征的样本人脸匹配属性特征确定为对应的第一训练图像数据的人脸匹配属性特征;
所述获取人脸匹配估计策略,包括:
获取人脸匹配估计策略的策略控制组件;所述人脸匹配估计策略的策略控制组件包括策略特征数据以及内容特征数据,所述策略特征数据被配置于存储从所述多个样本人脸匹配属性特征中选择一个样本人脸匹配属性特征确定为表征各人脸图像之间的人脸匹配参数的人脸匹配属性特征时的操作策略;所述内容特征数据被配置于存储模板图像数据中涵盖的各人脸图像和相应模板图像数据的样本人脸匹配属性特征之间的关系;模板图像数据的样本人脸匹配属性特征表征:相应模板图像数据中涵盖的各人脸图像之间的人脸匹配参数;
获取多个模板图像数据以及各个模板图像数据的样本人脸匹配属性特征,并将所述多个模板图像数据以和对应的样本人脸匹配属性特征加载到所述人脸匹配估计策略的策略控制组件的内容特征数据中,生成所述人脸匹配估计策略;
所述将所述人脸匹配估计策略以及所述第一训练图像数据序列中的第一训练图像数据作为目标观测网络的网络加载数据,并获取所述目标观测网络的图像观测结果,包括:
获取网络加载数据通道;所述网络加载数据通道包括训练图像数据空间;
将所述第一训练图像数据序列中的第一训练图像数据中涵盖的各人脸图像加载到所述网络加载数据通道的训练图像数据空间中,生成加载图像数据;所述目标观测网络用于依据所述人脸匹配估计策略以及所述加载图像数据,确定加载到所述训练图像数据空间的第一训练图像数据中各人脸图像之间的人脸匹配参数的人脸匹配属性特征;
将所述人脸匹配估计策略作为所述目标观测网络的网络加载数据,并在获得所述目标观测网络针对所述人脸匹配估计策略所观测到的响应数据之后,将所述加载图像数据加载到所述目标观测网络中;
获取所述目标观测网络针对所述加载图像数据所观测到的图像观测结果;
所述图像观测结果中包括第一观测结果以及第二观测结果;所述第一观测结果表征:所述目标观测网络针对加载的第一训练图像数据从所述多个样本人脸匹配属性特征中所选取的样本人脸匹配属性特征;所述第二观测结果表征:所述目标观测网络针对加载的第一训练图像数据从所述多个样本人脸匹配属性特征中选择相应样本人脸匹配属性特征时的选择依据。
2.根据权利要求1所述的基于人工智能的人脸图像处理方法,其特征在于,所述基于人脸匹配估计策略估计第一训练图像数据序列中各个第一训练图像数据的人脸匹配属性特征之后,所述方法还包括:
生成所述第一训练图像数据序列中的第一训练图像数据和对应的人脸匹配属性特征,并生成更新指令信息;所述更新指令信息指示对第一训练图像数据的人脸匹配属性特征进行更新;
接收优化人脸匹配属性特征的第一训练图像数据以及对应的优化后的人脸匹配属性特征,并将所述第一训练图像数据序列中对应的第一训练图像数据的人脸匹配属性特征调整为优化后的人脸匹配属性特征。
3.根据权利要求1所述的基于人工智能的人脸图像处理方法,其特征在于,所述方法还包括:
获取第三训练图像数据序列,并依据所述目标人脸图像分析网络分析所述第三训练图像数据序列中各个第三训练图像数据的人脸匹配属性特征;
依据所述第三训练图像数据序列以及所述第三训练图像数据序列中各个第三训练图像数据的人脸匹配属性特征,对所述目标人脸图像分析网络进行网络权重参数迁移训练,生成迁移训练网络,生成的至少一个迁移训练网络的网络权重信息量小于所述目标人脸图像分析网络的网络权重信息量。
4.根据权利要求1所述的基于人工智能的人脸图像处理方法,其特征在于,所述方法还包括:
将所述目标人脸图像分析网络加载到所述神经网络序列中,生成更新神经网络序列;
对所述更新神经网络序列中的各个标的神经网络进行聚合,生成更新聚合神经网络,并依据所述更新聚合神经网络估计第四训练图像数据序列中的第四训练图像数据的人脸匹配属性特征;第四训练图像数据的人脸匹配属性特征表征对应的第四训练图像数据中涵盖的各人脸图像之间的人脸匹配参数;
依据所述第四训练图像数据序列及所述第四训练图像数据序列中各个第四训练图像数据的人脸匹配属性特征对第三基础神经网络进行网络权重优化,获得更新目标人脸图像分析网络。
5.根据权利要求1所述的基于人工智能的人脸图像处理方法,其特征在于,所述对囊括所述人脸匹配网络和候选神经网络的神经网络序列中的各个标的神经网络进行聚合,生成聚合神经网络,包括:
获取有监督训练图像数据序列以及基础预测网络;所述有监督训练图像数据序列中的有监督训练图像数据携带的人脸匹配属性特征表征涵盖的各人脸图像之间的人脸匹配参数;
将所述有监督训练图像数据序列中的有监督训练图像数据作为所述神经网络序列中各个标的神经网络的网络加载数据,将所述各个标的神经网络的网络生成数据作为所述基础预测网络的网络加载数据,以及将相应有监督训练图像数据的人脸匹配属性特征确定为所述基础预测网络的监督生成数据,对所述基础预测网络进行迭代更新,生成目标预测网络;
依据所述神经网络序列中的各个标的神经网络以及所述目标预测网络得到所述聚合神经网络。
6.根据权利要求1所述的基于人工智能的人脸图像处理方法,其特征在于,每个第二训练图像数据中涵盖的各人脸图像分别为人脸搜索图像以及人脸推送图像;所述第二训练图像数据序列包括至少每个第二训练图像数据簇,每个第二训练图像数据簇中各个第二训练图像数据的人脸搜索图像相同,且人脸推送图像不同;
所述依据所述第二训练图像数据序列及所述第二训练图像数据序列中各个第二训练图像数据的人脸匹配属性特征对第二基础神经网络进行网络权重优化,获得用于分析各人脸图像之间的人脸匹配参数的目标人脸图像分析网络,包括:
基于所述第二训练图像数据序列中参考第二训练图像数据簇对应的人脸匹配属性特征,确定所述参考第二训练图像数据簇中各个第二训练图像数据的首序先验支持度;首序先验支持度表征:对应的第二训练图像数据在对应的第二训练图像数据簇中位于首个排序的可能性;
将所述参考第二训练图像数据簇中的第二训练图像数据作为初始目标人脸图像分析网络的网络加载数据,并基于所述初始目标人脸图像分析网络,针对所述参考第二训练图像数据簇中各个第二训练图像数据的网络生成数据,确定所述参考第二训练图像数据簇中各个第二训练图像数据的首序排列估计支持度;
依据首序排列估计支持度以及首序先验支持度,确定出目标训练误差参数;
基于所述目标训练误差参数更新所述初始目标人脸图像分析网络的网络权重信息量,生成所述目标人脸图像分析网络。
7.根据权利要求1所述的基于人工智能的人脸图像处理方法,其特征在于,所述第二训练图像数据序列是从无监督训练图像数据序列中筛选得到的,所述无监督训练图像数据序列包括至少一个无监督训练图像数据簇,一个无监督训练图像数据簇中的无监督训练图像数据中涵盖的各人脸图像分别为人脸搜索图像以及人脸推送图像;一个无监督训练图像数据簇中各个无监督训练图像数据的人脸搜索图像相同,且人脸推送图像不同;
获取所述第二训练图像数据序列的方式包括:
依据所述聚合神经网络分析的,所述无监督训练图像数据序列中各个无监督训练图像数据簇对应的人脸匹配属性特征,确定所述无监督训练图像数据序列中各个无监督训练图像数据簇的人脸匹配属性特征的离散程度;
基于人脸匹配属性特征的离散程度对所述无监督训练图像数据序列进行数据清洗,生成数据清洗后的无监督训练图像数据序列;所述数据清洗后的无监督训练图像数据序列中无监督训练图像数据簇的人脸匹配属性特征的离散程度,大于被数据清洗掉的无监督训练图像数据簇的人脸匹配属性特征的离散程度;
将所述数据清洗后的无监督训练图像数据序列作为所述第二训练图像数据序列。
8.根据权利要求1-7中任意一项所述的基于人工智能的人脸图像处理方法,其特征在于,所述方法还包括:
基于所述目标人脸图像分析网络对输入的任意两个目标人脸图像进行分析,获得该两个目标人脸图像之间的人脸匹配参数。
9.一种基于人工智能的人脸图像处理系统,其特征在于,所述基于人工智能的人脸图像处理系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有机器可执行指令,所述机器可执行指令由所述处理器加载并执行以实现权利要求1-8中任意一项所述的基于人工智能的人脸图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311098532.9A CN116798103B (zh) | 2023-08-29 | 2023-08-29 | 基于人工智能的人脸图像处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311098532.9A CN116798103B (zh) | 2023-08-29 | 2023-08-29 | 基于人工智能的人脸图像处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116798103A CN116798103A (zh) | 2023-09-22 |
CN116798103B true CN116798103B (zh) | 2023-12-01 |
Family
ID=88046318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311098532.9A Active CN116798103B (zh) | 2023-08-29 | 2023-08-29 | 基于人工智能的人脸图像处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116798103B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013039062A1 (ja) * | 2011-09-15 | 2013-03-21 | 国立大学法人大阪教育大学 | 顔分析装置、顔分析方法、及び記録媒体 |
CN108921042A (zh) * | 2018-06-06 | 2018-11-30 | 四川大学 | 一种基于深度学习的人脸序列表情识别方法 |
CN110991287A (zh) * | 2019-11-23 | 2020-04-10 | 深圳市恩钛控股有限公司 | 一种实时视频流人脸检测跟踪方法及检测跟踪系统 |
US10635918B1 (en) * | 2019-01-30 | 2020-04-28 | StradVision, Inc. | Method and device for managing smart database for face recognition based on continual learning |
CN111243066A (zh) * | 2020-01-09 | 2020-06-05 | 浙江大学 | 一种基于自监督学习与生成对抗机制的人脸表情迁移方法 |
CN113807157A (zh) * | 2020-11-27 | 2021-12-17 | 京东科技控股股份有限公司 | 基于联邦学习训练神经网络模型的方法、装置和系统 |
CN114912572A (zh) * | 2022-03-29 | 2022-08-16 | 深圳市商汤科技有限公司 | 目标识别方法及神经网络的训练方法 |
-
2023
- 2023-08-29 CN CN202311098532.9A patent/CN116798103B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013039062A1 (ja) * | 2011-09-15 | 2013-03-21 | 国立大学法人大阪教育大学 | 顔分析装置、顔分析方法、及び記録媒体 |
CN108921042A (zh) * | 2018-06-06 | 2018-11-30 | 四川大学 | 一种基于深度学习的人脸序列表情识别方法 |
US10635918B1 (en) * | 2019-01-30 | 2020-04-28 | StradVision, Inc. | Method and device for managing smart database for face recognition based on continual learning |
CN110991287A (zh) * | 2019-11-23 | 2020-04-10 | 深圳市恩钛控股有限公司 | 一种实时视频流人脸检测跟踪方法及检测跟踪系统 |
CN111243066A (zh) * | 2020-01-09 | 2020-06-05 | 浙江大学 | 一种基于自监督学习与生成对抗机制的人脸表情迁移方法 |
CN113807157A (zh) * | 2020-11-27 | 2021-12-17 | 京东科技控股股份有限公司 | 基于联邦学习训练神经网络模型的方法、装置和系统 |
CN114912572A (zh) * | 2022-03-29 | 2022-08-16 | 深圳市商汤科技有限公司 | 目标识别方法及神经网络的训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116798103A (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110995858B (zh) | 一种基于深度q网络的边缘网络请求调度决策方法 | |
EP4350572A1 (en) | Method, apparatus and system for generating neural network model, devices, medium and program product | |
CN112052948A (zh) | 一种网络模型压缩方法、装置、存储介质和电子设备 | |
CN113344016A (zh) | 深度迁移学习方法、装置、电子设备及存储介质 | |
CN111291618A (zh) | 标注方法、装置、服务器和存储介质 | |
CN114821237A (zh) | 一种基于多级对比学习的无监督船舶再识别方法及系统 | |
US20240095529A1 (en) | Neural Network Optimization Method and Apparatus | |
CN112131089B (zh) | 软件缺陷预测的方法、分类器、计算机设备及存储介质 | |
CN116798103B (zh) | 基于人工智能的人脸图像处理方法及系统 | |
CN114926701A (zh) | 一种模型训练方法、目标检测方法、以及相关设备 | |
CN116910467A (zh) | 面向复杂混部扰动的在线运行时环境预测方法及装置 | |
Wong et al. | State-space decomposition for reinforcement learning | |
CN115168326A (zh) | Hadoop大数据平台分布式能源数据清洗方法及系统 | |
CN114625967A (zh) | 基于大数据业务优化的用户信息挖掘方法及人工智能系统 | |
JPWO2018168695A1 (ja) | 分散機械学習装置、分散機械学習方法および分散機械学習プログラム | |
Sagaama et al. | Automatic parameter tuning for big data pipelines with deep reinforcement learning | |
JP2022088341A (ja) | 機器学習装置及び方法 | |
JP6977877B2 (ja) | 因果関係推定装置、因果関係推定方法および因果関係推定プログラム | |
CN112686277A (zh) | 模型训练的方法和装置 | |
CN117707795B (zh) | 基于图的模型划分的边端协同推理方法及系统 | |
US11973695B2 (en) | Information processing apparatus and information processing method | |
CN115423565B (zh) | 应用于云端互联网交互流程的大数据分析方法及ai系统 | |
US20240144051A1 (en) | Hardware-aware generation of machine learning models | |
CN117829274B (zh) | 模型融合方法、装置、设备、联邦学习系统及存储介质 | |
US20240202494A1 (en) | Intermediate module neural architecture search |
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 |