申请/专利权人：苏州浪潮智能科技有限公司

申请日：2023-07-26

公开（公告）日：2024-06-25

公开（公告）号：CN116665282B

主分类号：G06V40/16

分类号：G06V40/16;G06V10/774;G06V10/82;G06N3/045;G06N3/0464;G06N3/0475;G06N3/094;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2023.09.15#实质审查的生效;2023.08.29#公开

摘要：本发明涉及人脸识别技术领域，公开了人脸识别模型训练方法、人脸识别方法及装置，人脸识别模型训练方法包括：利用多个批次的源样本对人脸识别模型进行训练，并通过任一批次的源样本迭代训练人脸识别模型之后确定人脸识别模型的性能值；判断人脸识别模型的性能值是否大于预设性能阈值；如果性能值大于预设性能阈值，在人脸识别模型的损失函数上增加正则项，以及使用多个批次的对抗样本对人脸识别模型进行训练；正则项基于源样本、对抗样本以及目标样本确定，对抗样本表示在源样本基础上添加过对抗扰动的样本，目标样本表示在源样本基础上构建的具有指定目标类别的样本。基于本发明得到的人脸识别模型的鲁棒性更好，能够抵御对抗样本攻击。

主权项：1.一种人脸识别模型训练方法，其特征在于，所述方法包括：利用多个批次的源样本对人脸识别模型进行训练，并通过任一批次的所述源样本迭代训练所述人脸识别模型之后确定所述人脸识别模型的性能值；所述多个批次的源样本均为良性样本，所述良性样本表示未添加过对抗扰动的真实样本；判断所述人脸识别模型的性能值是否大于预设性能阈值，包括：判断当前批次的源样本的总体损失值是否小于预设精度阈值；其中，所述当前批次的源样本为所述多个批次的源样本中当前用于训练所述人脸识别模型的一个批次的源样本；如果所述总体损失值小于所述预设精度阈值，确定所述人脸识别模型的性能值大于所述预设性能阈值；如果所述总体损失值大于或者等于所述预设精度阈值，确定所述人脸识别模型的性能值不大于所述预设性能阈值；如果所述性能值大于所述预设性能阈值，在所述人脸识别模型的损失函数上增加正则项，以及使用多个批次的对抗样本对所述人脸识别模型进行训练；所述正则项用于约束相对应的所述对抗样本与所述源样本之间的第一特征距离小于所述对抗样本与目标样本之间的第二特征距离；如果所述性能值小于或者等于所述预设性能阈值，在所述人脸识别模型的损失函数上禁止所述正则项，并继续利用所述源样本对所述人脸识别模型进行训练；所述正则项基于所述源样本、所述对抗样本以及目标样本确定，所述对抗样本表示在所述源样本基础上添加过对抗扰动的样本，所述目标样本表示在所述源样本基础上构建的具有指定目标类别的样本；损失函数通过如下方式表示：Ltotal＝λLori+ILoriThr1-λLadv+R 其中，Ltotal表示在一个批次上所有样本的总体损失值，R表示正则项，ILoriThr表示示性函数，Thr表示预设精度阈值，用于控制示性函数ILoriThr的输出值，λ表示超参数，K2代表对抗样本的数量，表示第i个源样本，表示第i个源样本生成的对抗样本，表示目标样本，也就是的攻击目标，参数n是预定义的阈值，用于控制源图像和扰动图像之间的相似度，表示第一特征距离，表示第二特征距离；其中，Lori表示使用K个输入人脸训练样本计算出来的损失值，xi表示代表第i个训练样本的特征，K表示样本总数，s表示放缩因子，yi表示第i个输入人脸训练样本对应的类标签，表示第i个输入人脸图像的特征xi到对应类yi的类中心的角度距离，θj表示第i个输入人脸图像的特征xi到类j的类中心Wj的角度距离，m表示超参数，用于惩罚第i个输入人脸图像的特征xi到对应类yi的类中心的角度距离，C表示训练集合的类别总数，表示类yi的特征中心，Wj表示类j的特征中心，T表示向量转置，‖*‖2表示L2范数；其中，Ladv表示使用K2个对抗样本计算出来的损失值，表示第i个对抗样本的特征。

全文数据：

权利要求：

百度查询： 苏州浪潮智能科技有限公司 人脸识别模型训练方法、人脸识别方法及装置

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