[发明专利]人脸识别模型的训练方法、装置、电子设备和存储介质

权利要求书

1.一种人脸识别模型的训练方法，其特征在于，包括步骤：

获得人脸识别模型的批处理数据量和训练集的类别数；

基于随机数构建0-1分布，生成列数为所述类别数的参数向量；

根据所述参数向量调整人脸识别损失函数的固定缩放比例，获得可调缩放向量，并根据所述可调缩放向量获得行数为所述批处理数据量且列数为所述类别数的缩放矩阵；

采用所述缩放矩阵对所述人脸识别模型的输出进行重缩放；以及

基于重缩放后的输出，监督训练所述人脸识别模型。

2.如权利要求1所述的训练方法，其特征在于，所述人脸识别模型基于深度卷积神经网络构建，所述人脸识别损失函数是加性角度间隔损失函数。

3.如权利要求1所述的训练方法，其特征在于，根据所述参数向量调整人脸识别损失函数的固定缩放比例的步骤包括：

altered_s＝S+selected_vector*S*2*(1-cosθ_j)，

其中，altered_s是所述可调缩放向量，所述可调缩放向量的列数为所述类别数，S是所述固定缩放比例，selected_vector是所述参数向量，θ_j是相邻两类别的类中心向量的夹角，所述类中心向量根据所述人脸识别模型的输出获得。

4.如权利要求1所述的训练方法，其特征在于，根据所述参数向量调整人脸识别损失函数的固定缩放比例的步骤包括：

altered_s＝S+selected_vector*S*2*(1-cos(θ_yi+m).mean(dim＝0))，

其中，altered_s是所述可调缩放向量，所述可调缩放向量的列数为所述类别数，S是所述固定缩放比例，selected_vector是所述参数向量，cos(θ_yi+m)是当前特征向量和目标类中心向量的夹角与一角度间隔值之和的余弦值，所述余弦值是行数为所述批处理数据量且列数为所述类别数的矩阵，所述当前特征向量根据所述人脸识别模型的输出获得。

5.如权利要求3或4所述的训练方法，其特征在于，所述固定缩放比例的取值为：S＝64，所述相邻两类别的类中心向量的夹角的取值为：θ_j＝71.61÷360×2π弧度。

6.如权利要求1所述的训练方法，其特征在于，基于随机数构建0-1分布，生成列数为所述类别数的参数向量的步骤包括：

取一随机种子进行0与1的平均分布选择，生成所述参数向量；以及

将所述参数向量注册成为固定向量。

7.如权利要求1所述的训练方法，其特征在于，采用所述缩放矩阵对所述人脸识别模型的输出进行重缩放的步骤包括：

altered_s’*cos(θ_yi+m)，

其中，altered_s’是所述缩放矩阵，所述缩放矩阵由所述可调缩放向量按行重复所述批处理数据量后形成，cos(θ_yi+m)是当前特征向量和目标类中心向量的夹角与一角度间隔值之和的余弦值，所述余弦值是行数为所述批处理数据量且列数为所述类别数的矩阵，所述当前特征向量根据所述人脸识别模型的输出获得。

8.如权利要求1所述的训练方法，其特征在于，基于重缩放后的输出，监督训练所述人脸识别模型的步骤包括：

根据重缩放后的输出，通过逻辑回归Softmax获得所述人脸识别模型的预测概率；以及

基于交叉熵损失函数计算所述预测概率与目标概率的差值，对所述人脸识别模型进行监督训练，直至所述人脸识别模型收敛于所述训练集。