模型生成方法和装置转让专利
申请号 : CN201810277834.5
文献号 : CN108520220B
文献日 : 2021-07-09
发明人 : 罗远庆
申请人 : 百度在线网络技术(北京)有限公司
摘要 :
权利要求 :
1.一种模型生成方法,包括:
获取可见光样本人脸图像集和红外样本人脸图像集;
基于当前损失函数,通过训练操作对待训练的可见光人脸识别模型和待训练的红外人脸识别模型进行训练;
所述训练操作包括:基于当前损失函数,采用反向传播算法迭代调整待训练的可见光人脸识别模型的参数和待训练的红外人脸识别模型的参数,以使基于当前损失函数的训练操作结果满足与所述当前损失函数对应的收敛条件;其中,所述损失函数为第一代价函数和第二代价函数的加权和,所述第一代价函数的值用于表征待训练的可见光人脸识别模型对可见光人脸图像集的人脸识别结果的预测误差,所述第二代价函数的值用于表征待训练的红外人脸识别模型对红外人脸图像集的人脸识别结果的预测误差;
执行判断操作,所述判断操作包括判断所述当前损失函数中第二代价函数的权重是否达到预设阈值;
响应于确定第二代价函数的权重未达到预设阈值,对所述当前损失函数中的权重进行调整,得到更新后的损失函数,执行所述训练操作和所述判断操作;
响应于确定第二代价函数的权重达到预设阈值,输出待训练的红外人脸识别模型的参数。
2.根据权利要求1所述的方法,其中,所述对所述当前损失函数中的权重进行调整,包括:
利用已获取的权重步长调整所述当前损失函数中第二代价函数的权重。
3.根据权利要求2所述的方法,其中,所述对所述当前损失函数中的权重进行调整,还包括:
利用已获取的权重步长的相反数调整所述当前损失函数中第一代价函数的权重。
4.根据权利要求2或3所述的方法,其中,所述训练操作还包括:记录迭代次数;
所述对所述当前损失函数中的权重进行调整,还包括:根据迭代次数确定所述权重步长。
5.根据权利要求1所述的方法,其中,所述基于当前损失函数,采用反向传播算法迭代调整待训练的可见光人脸识别模型的参数和待训练的红外人脸识别模型的参数,以使基于当前损失函数的训练操作结果满足与所述当前损失函数对应的收敛条件,包括:执行预测操作,所述预测操作包括:将所述可见光样本人脸图像集输入待训练的可见光人脸识别模型,将所述红外样本人脸图像集输入待训练的红外人脸识别模型,得到可见光样本人脸图像集的人脸识别预测结果以及红外样本人脸图像集的人脸识别预测结果,判断基于当前损失函数的训练操作结果是否满足与所述当前损失函数对应的收敛条件;
若基于当前损失函数的训练操作结果不满足与所述当前损失函数对应的收敛条件,基于当前损失函数,采用梯度下降法更新所述待训练的可见光人脸识别模型的参数和所述待训练的红外人脸识别模型的参数,执行所述预测操作;
若基于当前损失函数的训练操作结果满足与所述当前损失函数对应的收敛条件,输出待训练的可见光人脸识别模型的参数和待训练的红外人脸识别模型的参数,作为当前损失函数下的训练结果;
其中,所述与所述当前损失函数对应的收敛条件包括:所述当前损失函数的值小于预设的损失阈值,和/或基于所述当前损失函数的模型参数更新次数达到预设的与当前损失函数对应的次数阈值。
6.一种模型生成装置,包括:
获取单元,用于获取可见光样本人脸图像集和红外样本人脸图像集;
训练单元,用于基于当前损失函数,通过训练操作对待训练的可见光人脸识别模型和待训练的红外人脸识别模型进行训练;
所述训练操作包括:基于当前损失函数,采用反向传播算法迭代调整待训练的可见光人脸识别模型的参数和待训练的红外人脸识别模型的参数,以使基于当前损失函数的训练操作结果满足与所述当前损失函数对应的收敛条件;其中,所述损失函数为第一代价函数和第二代价函数的加权和,所述第一代价函数的值用于表征待训练的可见光人脸识别模型对可见光人脸图像集的人脸识别结果的预测误差,所述第二代价函数的值用于表征待训练的红外人脸识别模型对红外人脸图像集的人脸识别结果的预测误差;
判断单元,用于执行判断操作,所述判断操作包括判断所述当前损失函数中第二代价函数的权重是否达到预设阈值;
更新单元,用于响应于确定第二代价函数的权重未达到预设阈值,对所述当前损失函数中的权重进行调整,得到更新后的损失函数,执行所述训练操作和所述判断操作;
生成单元,用于响应于确定第二代价函数的权重达到预设阈值,输出待训练的红外人脸识别模型的参数。
7.根据权利要求6所述的装置,其中,所述更新单元用于按照如下方式对所述当前损失函数中的权重进行调整:
利用已获取的权重步长调整所述当前损失函数中第二代价函数的权重。
8.根据权利要求7所述的装置,其中,所述更新单元还用于按照如下方式对所述当前损失函数中的权重进行调整:
利用已获取的权重步长的相反数调整所述当前损失函数中第一代价函数的权重。
9.根据权利要求7或8所述的装置,其中,所述训练单元还用于记录迭代次数;
所述更新单元还用于按照如下方式对所述当前损失函数中的权重:根据迭代次数确定所述权重步长。
10.根据权利要求6所述的装置,其中,所述训练单元进一步用于按照如下方式执行所述训练操作:
执行预测操作,所述预测操作包括:将所述可见光样本人脸图像集输入待训练的可见光人脸识别模型,将所述红外样本人脸图像集输入待训练的红外人脸识别模型,得到可见光样本人脸图像集的人脸识别预测结果以及红外样本人脸图像集的人脸识别预测结果,判断基于当前损失函数的训练操作结果是否满足与所述当前损失函数对应的收敛条件;
若基于当前损失函数的训练操作结果不满足与所述当前损失函数对应的收敛条件,基于当前损失函数,采用梯度下降法更新所述待训练的可见光人脸识别模型的参数和所述待训练的红外人脸识别模型的参数,执行所述预测操作;
若基于当前损失函数的训练操作结果满足与所述当前损失函数对应的收敛条件,输出待训练的可见光人脸识别模型的参数和待训练的红外人脸识别模型的参数,作为当前损失函数下的训练结果;
其中,所述与所述当前损失函数对应的收敛条件包括:所述当前损失函数的值小于预设的损失阈值,和/或基于所述当前损失函数的模型参数更新次数达到预设的与当前损失函数对应的次数阈值。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1‑5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1‑5中任一所述的方法。
说明书 :
模型生成方法和装置
技术领域
背景技术
了长足的发展与进步,以“人脸”为对象的计算机视觉研究已经成为一个及其重要、研究方
向众多并有着广泛应用于前景的学术和科技领域。
理。红外人脸图像由于不受光线变化影响,可以保留图像的全部有效信息而被应用于识别
人脸。然而,由于红外人脸图像通常需要红外光源的配合,相较于可见光人脸图像来说,红
外人脸图像的采集难度较大。目前红外人人脸图像的数据量有限,可作为红外人脸识别模
型的训练样本的红外人脸图像较少,难以训练出可靠的红外人脸识别模型。
发明内容
别模型和待训练的红外人脸识别模型进行训练;训练操作包括:基于当前损失函数,采用反
向传播算法迭代调整待训练的可见光人脸识别模型的参数和待训练的红外人脸识别模型
的参数,以使基于当前损失函数的训练操作结果满足与当前损失函数对应的收敛条件;其
中,损失函数为第一代价函数和第二代价函数的加权和,第一代价函数的值用于表征待训
练的可见光人脸识别模型对可见光人脸图像集的人脸识别结果的预测误差,第二代价函数
的值用于表征待训练的红外人脸识别模型对红外人脸图像集的人脸识别结果的预测误差;
执行判断操作,判断操作包括判断当前损失函数中第二代价函数的权重是否达到预设阈
值;响应于确定第二代价函数的权重未达到预设阈值,对当前损失函数中的权重进行调整,
得到更新后的损失函数,执行训练操作和判断操作;响应于确定第二代价函数的权重达到
预设阈值,输出待训练的红外人脸识别模型的参数。
的训练操作结果满足与当前损失函数对应的收敛条件,包括:执行预测操作,预测操作包
括:将可见光样本人脸图像集输入待训练的可见光人脸识别模型,将红外样本人脸图像集
输入待训练的红外人脸识别模型,得到可见光样本人脸图像集的人脸识别预测结果以及红
外样本人脸图像集的人脸识别预测结果,判断基于当前损失函数的训练操作结果是否满足
与当前损失函数对应的收敛条件;若基于当前损失函数的训练操作结果不满足与当前损失
函数对应的收敛条件,基于当前损失函数,采用梯度下降法更新待训练的可见光人脸识别
模型的参数和待训练的红外人脸识别模型的参数,执行预测操作;若基于当前损失函数的
训练操作结果满足与当前损失函数对应的收敛条件,输出待训练的可见光人脸识别模型的
参数和待训练的红外人脸识别模型的参数,作为当前损失函数下的训练结果。其中,与当前
损失函数对应的收敛条件包括:当前损失函数的值小于预设的损失阈值,和/或基于当前损
失函数的模型参数更新次数达到预设的与当前损失函数对应的次数阈值。
操作对待训练的可见光人脸识别模型和待训练的红外人脸识别模型进行训练;训练操作包
括:基于当前损失函数,采用反向传播算法迭代调整待训练的可见光人脸识别模型的参数
和待训练的红外人脸识别模型的参数,以使基于当前损失函数的训练操作结果满足与当前
损失函数对应的收敛条件;其中,损失函数为第一代价函数和第二代价函数的加权和,第一
代价函数的值用于表征待训练的可见光人脸识别模型对可见光人脸图像集的人脸识别结
果的预测误差,第二代价函数的值用于表征待训练的红外人脸识别模型对红外人脸图像集
的人脸识别结果的预测误差;判断单元,用于执行判断操作,判断操作包括判断当前损失函
数中第二代价函数的权重是否达到预设阈值;更新单元,用于响应于确定第二代价函数的
权重未达到预设阈值,对当前损失函数中的权重进行调整,得到更新后的损失函数,执行训
练操作和判断操作;生成单元,用于响应于确定第二代价函数的权重达到预设阈值,输出待
训练的红外人脸识别模型的参数。
外样本人脸图像集输入待训练的红外人脸识别模型,得到可见光样本人脸图像集的人脸识
别预测结果以及红外样本人脸图像集的人脸识别预测结果,判断基于当前损失函数的训练
操作结果是否满足与当前损失函数对应的收敛条件;若基于当前损失函数的训练操作结果
不满足与当前损失函数对应的收敛条件,基于当前损失函数,采用梯度下降法更新待训练
的可见光人脸识别模型的参数和待训练的红外人脸识别模型的参数,执行预测操作;若基
于当前损失函数的训练操作结果满足与当前损失函数对应的收敛条件,输出待训练的可见
光人脸识别模型的参数和待训练的红外人脸识别模型的参数,作为当前损失函数下的训练
结果;其中,与当前损失函数对应的收敛条件包括:当前损失函数的值小于预设的损失阈
值,和/或基于当前损失函数的模型参数更新次数达到预设的与当前损失函数对应的次数
阈值。
个处理器实现如第一方面提供的模型生成方法。
待训练的红外人脸识别模型进行训练;训练操作包括:基于当前损失函数,采用反向传播算
法迭代调整待训练的可见光人脸识别模型的参数和待训练的红外人脸识别模型的参数,以
使基于当前损失函数的训练操作结果满足与当前损失函数对应的收敛条件;其中,损失函
数为第一代价函数和第二代价函数的加权和,第一代价函数的值用于表征待训练的可见光
人脸识别模型对可见光人脸图像集的人脸识别结果的预测误差,第二代价函数的值用于表
征待训练的红外人脸识别模型对红外人脸图像集的人脸识别结果的预测误差;执行判断操
作,判断操作包括判断当前损失函数中第二代价函数的权重是否达到预设阈值;响应于确
定第二代价函数的权重未达到预设阈值,对当前损失函数在中的权重进行调整,得到更新
后的损失函数,执行训练操作和判断操作;响应于确定第二代价函数的权重达到预设阈值,
输出待训练的红外人脸识别模型的参数,实现了由可见光人脸识别模型到红外人脸识别模
型的迁移学习,从而有效利用了可见光人脸图像来训练红外人脸识别模型,有助于提升红
外人脸识别模型的准确性和可靠性。
附图说明
具体实施方式
便于描述,附图中仅示出了与有关发明相关的部分。
可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
各种交互应用。
并对人脸图像中的人脸进行识别,将识别结果返回给终端设备101、102、103。
105中。
以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件模块),也可以实现成
单个软件或软件模块。在此不做具体限定。
标注每幅人脸图像对应的用户的身份标识,作为对可见光样本人脸图像集和红外样本人脸
图像集中的人脸图像进行人脸识别的标注结果。
含红色、蓝色、绿色三通道图像信息的人脸图像,红外人脸图像可以是在红外光源下采集到
的人脸图像。在这里,可见光样本人脸图像集的数据规模大于红外样本人脸图像集的数据
规模。
脸识别结果来构建,第一代价函数的值可以用于表征待训练的可见光人脸识别模型对可见
光人脸图像集的人脸识别结果的预测误差。第二代价函数可以基于待训练的红外人脸识别
模型对红外人脸图像集的人脸识别结果来构建,第二代价函数的值可以用于表征待训练的
红外人脸识别模型对红外人脸图像集的人脸识别结果的预测误差。损失函数中第一代价函
数和第二代价函数的权重可以是预先设定的。
操作结果满足与当前损失函数对应的收敛条件。
可见光人脸识别模型和待训练的红外人脸识别模型的初始参数。例如可以基于卷积神经网
络构建待训练的可见光人脸识别模型和待训练的红外人脸识别模型,并随机地选择卷积神
经网络中参数的参数值作为初始参数。随后,可以将可见光人脸图像输入待训练的可见光
人脸识别模型进行预测,将红外人脸图像输入待训练的红外人脸识别模型进行预测,得到
预测结果,之后比对预测结果和样本可见光样本人脸图像集以及红外样本人脸图像集中对
用户身份的标注结果,得出待训练的可见光人脸识别模型和待训练的红外人脸识别模型的
预测误差,计算得出当前损失函数的值。之后通过反向传播将预测误差传回至模型的预测
过程中,具体可以根据预测误差调整待训练的可见光人脸识别模型和待训练的红外人脸识
别模型中参数的参数值,然后重新预测,并比对预测结果与样本集的标注结果,如此往复,
重复执行上述利用模型预测、比对预测结果与标注结果、反向传播调整参数的步骤,直至训
练操作的结果满足与当前损失函数对应的收敛条件时,停止反向传播调整参数,这时得到
的待训练的可见光人脸图像模型的参数和待训练的红外人脸图像模型的参数为基于当前
损失函数的模型参数。
值。例如可以设定λ1的初始值和λ2的初始值均为0.5,设定第二代价函数的权重的预设阈值
为0.9。然后将λ1的初始值和λ2的初始值代入损失函数中生成开始训练时的当前损失函数。
在基于当前损失函数完成模型训练之后,判断当前损失函数中第二代价函数的权重λ2是否
达到预设阈值。
值。可选地,还可以同时调整第一代价函数的权重λ1和第二代价函数的权重λ2,例如可以在
增大λ2的同时减小λ1,调整之后可以得到更新后的损失函数。
别模型的参数和待训练的红外人脸识别模型的参数,并在基于调整权重后的损失函数对调
整权重后的损失函数的训练操作完成之后,判断第二代价函数的权重是否达到预设阈值,
如果未达到则调整损失函数中的权重并返回执行训练操作和判断操作。
别模型。
模型进行参数的迭代优化,在参数的迭代优化过程中红外人脸识别模型可以学习到可见光
人脸识别模型对可见光人脸图像进行识别时的逻辑,能够实现由可见光人脸识别模型到红
外人脸识别模型的迁移学习,从而有效利用了可见光人脸图像来训练红外人脸识别模型,
有助于提升红外人脸识别模型的准确性和可靠性。
重步长Δλ,Δλ可以大于0,在每次调整第二代价函数的权重时,可以将λ2+Δλ作为调整后
的第二代价函数的权重。这样,可以固定第二代价函数的权重的调整方向,在训练过程中向
同一个方向调整第二代价函数的权重,有利于提升迁移学习的速度,提升模型生成效率。
函数中第一代价函数的权重。也就是说,将λ1‑Δλ和λ2+Δλ分别作为调整后的第一代价函数
的权重和调整后的第二代价函数的权重,这时,损失函数更新为L’:
代次数确定权重步长,并利用该权重步长调整当前损失函数中第二代价函数的权重。具体
来说,可以根据基于当前损失函数的训练操作完成后的总迭代次数t2与基于上一个损失函
数的训练操作完成后的总迭代次数t1之间的差异确定权重步长,例如可以确定权重步长为
exp(‑αt1)‑exp(‑αt2),其中α为预设系数。则第二代价函数的权重可以例如设定为λ2=1‑
exp(‑αt),其中,t为迭代次数。可选地,第一代价函数的权重可例如设定为λ1=exp(‑αt)。
这样,第二代价函数的权重随着迭代次数t的增加而增大,使得红外人脸识别模型的预测误
差在损失函数中的比重随着迭代次数增加而逐渐增大,由此可以进一步提升迁移学习的速
度,提升模型生成的效率。
述训练操作的流程300具体可以包括以下步骤:
的红外人脸识别模型,得到可见光样本人脸图像集的人脸识别预测结果以及红外样本人脸
图像集的人脸识别预测结果。
的参数的初始值。例如可以采用卷积神经网络架构来构建待训练的可见光人脸识别模型和
待训练的红外人脸识别模型,并确定卷积神经网络的参数的初始值。之后可以将可见光样
本人脸图像集和红外样本人脸图像集分别输入待训练的可见光人脸识别模型和待训练的
红外人脸识别模型。待训练的可见光人脸识别模型可以输出对可见光样本人脸图像集中的
每幅可见光样本人脸图像的人脸识别预测结果,待训练的红外人脸识别模型可以输出对红
外样本人脸图像集中的每幅红外样本人脸图像的人脸识别预测结果。在这里,红外样本人
脸图像集中的红外样本人脸图像的数量小于可见光样本人脸图像集中的可见光样本人脸
图像的数量。
数对应的收敛条件。具体地,基于当前损失函数的训练操作的结果可以包括基于当前损失
函数的预测操作的执行次数(即基于当前损失函数的参数更新次数),和/或基于预测结果
与标注结果的比对结果计算得出的当前损失函数的值。与当前损失函数对应的收敛条件可
以包括:当前损失函数的值小于预设的损失阈值,和/或基于当前损失函数的模型参数更新
次数达到预设的与当前损失函数对应的次数阈值。也就是说,在预测误差足够小或者参数
更新次数足够多的情况下,可以确定基于当前损失函数的训练操作结果满足与当前损失函
数对应的收敛条件。
待训练的红外人脸识别模型的参数。
失函数相对于待训练的可见光人脸识别模型和红外人脸识别模型的各参数的梯度,基于该
梯度来调整更新参数。
结果不满足与当前损失函数对应的收敛条件时,可以重复执行上述步骤301和步骤302,直
到基于当前损失函数的训练操作结果满足与当前损失函数对应的收敛条件。
为当前损失函数下的训练结果。
可接受的人脸识别精度。可以停止基于当前损失函数的训练操作。这时,可以输出基于当前
损失函数的可见光人脸识别模型的参数和红外人脸识别模型的参数。
识别模型的预测精度不断提升,能够保证可见光人脸识别模型和红外人脸识别模型的精
度。
也可以不相同。各损失函数对应的收敛条件可以是预先设定的。各损失函数对应的收敛条
件也可以是基于损失函数中的权重确定的,例如作为收敛条件的上述损失阈值可以与第二
代价函数的权重成反比,第二代价函数的权重越大,损失阈值越小。则在模型生成过程中,
当红外人脸识别模型的预测误差在总体误差中的比重越大时,预测的精度越高,从而可以
进一步提升红外人脸识别模型的准确度。
本人脸图像集输入红外人脸图像识别模型对应的卷积神经网络CNN2。CNN1和CNN2在经过对
输入的图像的卷积、池化处理之后分别得到相应的识别结果yp1和yp2。之后可以计算卷积神
经网络CNN1的第一代价函数L1和CNN2的第二代价函数L2,其中,
断当前损失函数的值是否小于预设损失阈值L域,若否,则可以采用反向传播算法,基于当前
损失函数更新模型参数,得到更新后的卷积神经网络CNN1和CNN2,之后循环执行利用更新
后的卷积神经网络CNN1和CNN2重新预测人脸识别结果,并判断当前损失函数的值是否小于
L域,若否,采用反向传播算法更新模型参数步骤。当损失函数的值小于L域时,可以停止基于
当前损失函数的参数更新。进一步判断第二代价函数的权重λ2是否大于预设的权重阈值
λ域,若当前的损失函数中第二代价函数的权重不大于预设的权重阈值λ域,则可以调整第二
代价函数的权重λ2,更新损失函数L,并基于更新后的损失函数执行上述将可见光样本人脸
图像集输入可见光人脸识别模型对应的卷积神经网络CNN1,将红外样本人脸图像集输入红
外人脸图像识别模型对应的卷积神经网络CNN2进行预测,计算损失函数的值是否小于预设
损失阈值L域,若否则采用反向传播算法,基于损失函数更新模型参数的操作。当第二代价函
数的权重达到预设的权重阈值λ域时,停止模型参数的调整和第二代价函数的权重的调整,
固定此时可见光人脸识别模型对应的卷积神经网络CNN1的参数和红外人脸识别模型对应
的卷积神经网络CNN2的参数,由此得到训练好的红外人脸识别模型。
种电子设备中。
集和红外样本人脸图像集;训练单元502用于基于当前损失函数,通过训练操作对待训练的
可见光人脸识别模型和待训练的红外人脸识别模型进行训练;训练操作包括:基于当前损
失函数,采用反向传播算法迭代调整待训练的可见光人脸识别模型的参数和待训练的红外
人脸识别模型的参数,以使基于当前损失函数的训练操作结果满足与当前损失函数对应的
收敛条件;其中,损失函数为第一代价函数和第二代价函数的加权和,第一代价函数的值用
于表征待训练的可见光人脸识别模型对可见光人脸图像集的人脸识别结果的预测误差,第
二代价函数的值用于表征待训练的红外人脸识别模型对红外人脸图像集的人脸识别结果
的预测误差;判断单元503用于执行判断操作,判断操作包括判断当前损失函数中第二代价
函数的权重是否达到预设阈值;更新单元504用于响应于确定第二代价函数的权重未达到
预设阈值,对当前损失函数中的权重进行调整,得到更新后的损失函数,执行训练操作和判
断操作;生成单元505用于响应于确定第二代价函数的权重达到预设阈值,输出待训练的红
外人脸识别模型的参数。
脸图像集中,可以标记每幅人脸图像对应的用户的身份标识,作为可见光样本人脸图像集
和红外样本人脸图像集的人脸识别的标注结果。
和作为损失函数。基于损失函数来迭代调整可见光人脸识别模型的参数和红外人脸识别模
型的参数。
识别模型的参数。
的权重。
型,将红外样本人脸图像集输入待训练的红外人脸识别模型,得到可见光样本人脸图像集
的人脸识别预测结果以及红外样本人脸图像集的人脸识别预测结果,判断基于当前损失函
数的训练操作结果是否满足与当前损失函数对应的收敛条件;若基于当前损失函数的训练
操作结果不满足与当前损失函数对应的收敛条件,基于当前损失函数,采用梯度下降法更
新待训练的可见光人脸识别模型的参数和待训练的红外人脸识别模型的参数,执行预测操
作;若基于当前损失函数的训练操作结果满足与当前损失函数对应的收敛条件,输出待训
练的可见光人脸识别模型的参数和待训练的红外人脸识别模型的参数,作为当前损失函数
下的训练结果。其中,与当前损失函数对应的收敛条件包括:当前损失函数的值小于预设的
损失阈值,和/或基于当前损失函数的模型参数更新次数达到预设的与当前损失函数对应
的次数阈值。
模型和待训练的红外人脸识别模型进行训练;训练操作包括:基于当前损失函数,采用反向
传播算法迭代调整待训练的可见光人脸识别模型的参数和待训练的红外人脸识别模型的
参数,以使基于当前损失函数的训练操作结果满足与当前损失函数对应的收敛条件;其中,
损失函数为第一代价函数和第二代价函数的加权和,第一代价函数的值用于表征待训练的
可见光人脸识别模型对可见光人脸图像集的人脸识别结果的预测误差,第二代价函数的值
用于表征待训练的红外人脸识别模型对红外人脸图像集的人脸识别结果的预测误差;判断
单元执行判断操作,判断操作包括判断当前损失函数中第二代价函数的权重是否达到预设
阈值;更新单元响应于确定第二代价函数的权重未达到预设阈值,对当前损失函数在中的
权重进行调整,得到更新后的损失函数,执行训练操作和判断操作;生成单元响应于确定第
二代价函数的权重达到预设阈值,输出待训练的红外人脸识别模型的参数,实现了由可见
光人脸识别模型到红外人脸识别模型的迁移学习,从而有效利用了可见光人脸图像来训练
红外人脸识别模型,有助于提升红外人脸识别模型的准确性和可靠性。
围带来任何限制。
执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。
CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总
线604。
以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因
特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如
磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出
的计算机程序根据需要被安装入存储部分608。
上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实
施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质
611被安装。在该计算机程序被中央生成单元(CPU)601执行时,执行本申请的方法中限定的
上述功能。需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算
机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限
于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算
机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携
式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器
(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD‑ROM)、光存储器件、磁存储器件、或
者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序
的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申
请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其
中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于
电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读
存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由
指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程
序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的
任意合适的组合。
包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完
全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分
在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉
及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广
域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供
商来通过因特网连接)。
表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用
于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标
注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上
可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注
意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执
行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令
的组合来实现。
括获取单元、训练单元、判断单元、更新单元和生成单元。其中,这些单元的名称在某种情况
下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取可见光样本人脸图
像集和红外样本人脸图像集的单元”。
机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该
装置:获取可见光样本人脸图像集和红外样本人脸图像集;基于当前损失函数,通过训练操
作对待训练的可见光人脸识别模型和待训练的红外人脸识别模型进行训练;训练操作包
括:基于当前损失函数,采用反向传播算法迭代调整待训练的可见光人脸识别模型的参数
和待训练的红外人脸识别模型的参数,以使基于当前损失函数的训练操作结果满足与当前
损失函数对应的收敛条件;其中,损失函数为第一代价函数和第二代价函数的加权和,第一
代价函数的值用于表征待训练的可见光人脸识别模型对可见光人脸图像集的人脸识别结
果的预测误差,第二代价函数的值用于表征待训练的红外人脸识别模型对红外人脸图像集
的人脸识别结果的预测误差;执行判断操作,判断操作包括判断当前损失函数中第二代价
函数的权重是否达到预设阈值;响应于确定第二代价函数的权重未达到预设阈值,对当前
损失函数中的权重进行调整,得到更新后的损失函数,执行训练操作和判断操作;响应于确
定第二代价函数的权重达到预设阈值,输出待训练的红外人脸识别模型的参数。
方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行
任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功
能的技术特征进行互相替换而形成的技术方案。