申请/专利权人：佳都科技集团股份有限公司;广州佳都科技软件开发有限公司;广州新科佳都科技有限公司;广东华之源信息工程有限公司

申请日：2021-04-20

公开（公告）日：2022-09-20

公开（公告）号：CN112949780B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/82;G06V40/14;G06V40/16;G06N3/04;G06N3/08

优先权：["20200421 CN 2020103193730"]

专利状态码：有效-授权

法律状态：2022.09.20#授权;2021.07.02#实质审查的生效;2021.06.11#公开

摘要：本发明实施例公开了一种特征模型训练方法、装置、设备及存储介质，涉及度量学习技术领域，其包括：获取训练数据集，所述训练数据集中每个样本对应一个标签，所述标签用于标识对应样本所属的类别；将训练数据集输入至神经网络模型，以得到每个样本的特征向量；根据训练数据集中各样本对应的特征向量以及所属的类别，构建类内损失函数和类间损失函数；根据类内损失函数和类间损失函数确定神经网络模型的损失函数；对包含损失函数的神经网络模型进行训练，直到损失函数收敛为止。采用上述方案可以解决现有技术中卷积神经网络无法扩大不同类别的样本之间特征向量的距离导致无法对不同类别的样本进行有效区分的技术问题。

主权项：1.一种特征模型训练方法，其特征在于，包括：获取训练数据集，所述训练数据集由人脸图片或人掌静脉图片组成，每个人脸图片或人掌静脉图片对应一个标签，所述标签用于标识对应人脸图片或人掌静脉图片所属的用户身份；将所述训练数据集输入至神经网络模型，以得到每个所述人脸图片或人掌静脉图片的特征向量，所述特征向量用于确定所述人脸图片或人掌静脉图片的用户身份，所述神经网络模型用于实现度量学习且应用在地铁过闸、安防监控或门禁安检时的用户身份识别场景；根据所述训练数据集中各人脸图片或人掌静脉图片对应的特征向量以及所属的用户身份，构建类内损失函数和类间损失函数，所述类内损失函数用于使同一用户身份下的特征向量在特征空间中更加紧凑，所述类间损失函数用于使不同用户身份下的特征向量在特征空间中的距离更远；根据所述类内损失函数和所述类间损失函数确定所述神经网络模型的损失函数；对包含所述损失函数的所述神经网络模型进行训练，直到所述损失函数收敛为止；所述根据所述训练数据集中各人脸图片或人掌静脉图片对应的特征向量以及所属的用户身份，构建类内损失函数和类间损失函数包括：获取所述神经网络模型中全连接层的权重参数矩阵，所述权重参数矩阵中第p列的权重参数表示第p个用户身份对应的权重参数向量；根据所述权重参数矩阵确定各用户身份对应的簇中心；根据各所述簇中心以及各所述用户身份下的特征向量确定类内损失函数；根据各所述簇中心确定类间损失函数；所述根据各所述簇中心以及各所述用户身份下的特征向量确定类内损失函数包括：根据特征向量所属的用户身份确定可学习角度，所述可学习角度是指对角度添加的参数，所述角度是指特征向量与所述特征向量所属用户身份的簇中心之间夹角的度数，所述可学习角度用于在映射特征向量时使同一用户身份的特征向量之间的距离更加紧凑；根据所述特征向量、目标簇中心和所述可学习角度确定所述特征向量与所述目标簇中心之间的第一类内距离，所述目标簇中心为所述特征向量所属用户身份对应的簇中心，每个特征向量对应一个第一类内距离；根据所述特征向量和其他簇中心确定所述特征向量和所述其他簇中心之间的第二类内距离，所述其他簇中心为全部簇中心中除去相应目标簇中心外的簇中心，每个特征向量对应一组其他簇中心，每个其他簇中心对应一个第二类内距离；根据全部用户身份的可学习角度确定惩罚项；根据第一类内距离、第二类内距离以及所述惩罚项确定类内损失函数。

全文数据：

权利要求：

百度查询： 佳都科技集团股份有限公司;广州佳都科技软件开发有限公司;广州新科佳都科技有限公司;广东华之源信息工程有限公司 特征模型训练方法、装置、设备及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD