申请/专利权人：清华大学深圳国际研究生院

申请日：2024-01-12

公开（公告）日：2024-04-12

公开（公告）号：CN117557888B

主分类号：G06V10/82

分类号：G06V10/82;G06N3/0464;G06N3/084;G06V10/44;G06V40/16;G06V10/74;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2024.03.01#实质审查的生效;2024.02.13#公开

摘要：一种基于度量学习的人脸模型训练方法和人脸识别方法，其训练过程包括迭代权重参数的更新过程，在第一训练阶段，基于全精度浮点数的权重参数和全精度浮点数的人脸特征对进行训练；在第二训练阶段，基于定点化的权重参数和全精度浮点数的人脸特征对进行训练；通过将全精度浮点数的权重参数进行定点化，保持人脸特征对的输出为全精度浮点数，通过定点化的权重参数对样本人脸对进行处理，得到人脸特征对，根据第二训练阶段的人脸特征对的损失值计算出反向传播算法需要的梯度，利用梯度进行反向传播，以更新待训练人脸模型的权重参数；在第三训练阶段，基于定点化的权重参数和人脸特征对进行训练。本发明可避免模型转换造成的精度损失。

主权项：1.一种基于度量学习的人脸模型训练方法，其特征在于，包括如下步骤：S1、构建数据集：所述数据集包括样本人脸对，所述样本人脸对包括第一样本人脸图像和第二样本人脸图像；S2、构建待训练人脸模型：所构建的待训练人脸模型为深度卷积神经网络模型；初始的待训练人脸模型为一个全精度浮点数模型；S3、训练过程：通过特征提取层中的权重参数提取样本人脸对的人脸特征对，所述人脸特征对包括第一样本人脸图像对应的第一人脸特征以及第二样本人脸图像对应的第二人脸特征；计算出第一人脸特征与第二人脸特征之间的度量距离，并通过预设的损失函数计算人脸特征对的损失值；利用人脸特征对的损失值进行反向传播处理，以更新待训练人脸模型的权重参数；其中，所述训练过程包括迭代权重参数的更新过程，所述迭代权重参数的更新过程包括如下步骤：S41、在第一训练阶段，基于全精度浮点数的权重参数和全精度浮点数的人脸特征对进行训练；S42、在第二训练阶段，基于定点化的权重参数和全精度浮点数的人脸特征对进行训练；其中，将全精度浮点数的权重参数进行固定的定点化或逐步定点化，所述固定的定点化为将全精度浮点数的权重参数转换为预设小数点位数的定点化的权重参数，所述逐步定点化为将全精度浮点数的权重参数从最大小数点位数依次减少，直到达到最小小数点位数为止，得到最终的定点化的权重参数；通过将全精度浮点数的权重参数进行定点化，保持人脸特征对的输出为全精度浮点数，通过定点化的权重参数对样本人脸对进行处理得到人脸特征对，根据人脸特征对的损失值计算出反向传播算法需要的梯度，并利用梯度进行反向传播，以更新待训练人脸模型的权重参数；S43、在第三训练阶段，基于定点化的权重参数和定点化的人脸特征对进行训练。

全文数据：

权利要求：

百度查询： 清华大学深圳国际研究生院 基于度量学习的人脸模型训练方法和人脸识别方法

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