[发明专利]人脸识别模型获取方法、装置、设备和介质

说明书

本发明涉及人脸识别技术领域，具体涉及一种基于迁移学习的人脸识别模型获取方法、装置、设备和介质，其中方法包括：利用带有身份标签的人脸图像集训练一深度神经网络模型作为教师网络模型，利用教师网络模型对图像集中的每张人脸图像进行特征提取获取其对应的特征向量，并将该特征向量作为该张人脸图像的特征标签；根据教师网络模型生成一个与学生网络模型；利用带有特征标签的图像集训练学生网络模型得到人脸识别模型，用于提取待识别图像的特征向量并根据该特征向量识别该人脸图像的身份标签。采用该人脸识别模型对人脸图像进行识别时，对存储内存要求低，计算速度快，同时具有和大型教师网络模型近似的识别精度。

技术领域

本发明涉及人脸识别技术领域，具体涉及一种基于迁移学习的人脸识别模型获取方法、装置、设备和介质。

背景技术

近年来，深度神经网络在计算机视觉领域取得了极大成功，深度学习技术的发展推动了人脸识别任务的精度。得益于深度学习技术的发展，深度神经网络在人脸识别任务上的表现得到了极大的提高，已经超越人类的识别率。为了在人脸识别任务上取得高精度，通常会设计参数数量大、网络层数多的模型在大量的人工标注数据上进行训练，非常费时费力。更重要的是，大型神经网络模型在部署到实际应用场景时会面临极大的瓶颈，主要表现在大型网络需要的计算资源较多，而实际场景的计算资源有限；大型网络推理时间更长，无法满足实际场景中的实时要求。综上，高精度的模型往往包含大量的参数，这需要更大的存储空间和更长的推理时间，在资源受限和高时延要求的实际应用场景中大模型的应用会受到限制。

发明内容

本实施例提供一种基于迁移学习的人脸识别模型获取方法、装置、设备和介质，其目的在于在占用少量存储空间和计算资源的同时，还具有与大型神经网络模型相近的识别能力，以提高人脸识别的精确度。

一种基于迁移学习的人脸识别模型获取方法,包括：

利用带有身份标签的人脸图像集训练一深度神经网络模型作为教师网络模型，用于基于所述人脸图像集中的人脸图像的特征对所述人脸图像进行分类；

利用所述教师网络模型对所述图像集中的每张人脸图像进行特征提取获取其对应的特征向量，并将所述特征向量作为该张人脸图像的特征标签；

根据所述教师网络模型生成一个学生网络模型；学生网络模型与教师网络模型相比，学生网络模型更加轻量化，参数量更少，推理时间更短。

利用带有特征标签的图像集训练所述学生网络模型得到人脸识别模型，用于提取待识别图像的特征向量并根据该特征向量识别该人脸图像的身份标签。

其中，所述利用带有身份标签的人脸图像集训练一深度神经网络模型包括：

对所述人脸图像集中的图像进行归一化处理，使其中所有图像的像素值均位于预设范围内；

采用所述深度神经网络模型对所述人脸图像集中每个图像进行特征提取训练，并根据提取出的初始特征对所述人脸图像进行分类。

进一步的，还包括：

在采用所述深度神经网络模型对所述人脸图像集中每个图像进行特征提取训练时采用交叉熵损失函数作为监督信号，以提高所述神经网络模型的特征提取能力。

其中，在采用所述深度神经网络模型对所述人脸图像集中每个图像进行特征提取训练之后还包括：

采用梯度下降法对所述深度神经网络模型进行反复多次训练，以提高该深度神经网络模型分类的精确度。

其中，利用带有特征标签的图像集训练所述学生网络模型，得到人脸识别模型时还包括：