[发明专利]一种人脸属性识别方法和装置

权利要求书

1.一种人脸属性识别方法，其特征在于：包括以下步骤：

步骤A.准备训练集和测试集

N为训练样本数，attr_q为人脸属性的总类别数，N、attr_q为自然数，表示训练集的一个样本图片，表示attr_q个人脸属性的标签：

步骤B.使用训练集中的图片数据训练一个自监督网络，该自监督网络能够识别人脸图片的旋转角度；

步骤C.将自监督网络的结构进行微调使之适用于人脸属性识别任务，并把人脸属性识别网络模型的参数初始化为自监督网络的参数；

步骤D.使用训练集中的图片数据训练一个带有注意力机制的生成式对抗网络，该生成式对抗网络能生成具有目标属性标签的人脸图片；

步骤E.使用训练集中真实的人脸图片和生成式对抗网络生成的人脸图片来微调人脸属性识别网络模型，得到优化后的人脸属性识别网络模型；

步骤F.把测试集中的图片输入至训练好的人脸属性识别网络模型中得到对应的人脸属性识别结果；

所述步骤B中使用人脸图片训练一个自监督网络进一步包括以下步骤：

步骤B1.使用ResNet50残差网络作为自监督学习的基础模型，将原始图片与旋转图片在通道维度拼接，将生成的6通道的数据输入到自监督网络；

步骤B2.在最后一层全局平局池化层后加入4个结点的全连接层，分别判断0，90，180和270角度的旋转图片；

步骤B3.在一个批中，每张输入图片被旋转4个角度；最后残差网络使用Softmax分类层得到最高的旋转角度得分；

假设S为自监督网络，x(θ)为原图片旋转了θ角的值；则自监督网络S的输出y为：

y＝S(x(0),x(θ))

自监督网络的输出值在经过Softmax层后，使用交叉熵损失，所述交叉熵损失函数如下：

其中，y代表真实标签即原图片旋转角度类型，代表旋转角度的真实类型上的预测得分；

步骤B4.使用SGD梯度下降算法进行训练，所述SGD梯度下降算法的设置参数包括：动量、权重衰减、批大小和学习率。

2.根据权利要求1所述的人脸属性识别方法，其特征在于：所述训练集和测试集为CelebA数据集或LFWA数据集或UMDUED数据集。

3.根据权利要求1或2所述的人脸属性识别方法，其特征在于：所述步骤C中将自监督网络进行微调网络结构使之适用于人脸属性识别任务进一步包括以下子步骤：

步骤C1.将自监督网络最后4个分类结点替换为训练集和测试集中人脸属性的总类别数的分类结点数；

步骤C2.属性分类网络的特征最后一层全连接层之前的所有层的参数初始化为自监督网络的参数；

步骤C3.对有标签数据的使用进行微调，人脸属性识别网络的损失函数如下

其中，和分别表示对于第i个样本第j个属性的预测值和真实标签。