[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

说明书

本发明涉及人脸识别技术领域，提供一种人脸识别模型的训练方法、装置、电子设备和存储介质。所述人脸识别模型的训练方法包括：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。本发明通过对人脸识别损失函数的固定缩放比例进行调整，生成能增大类中心向量之间距离的可调缩放向量，提升人脸识别模型的识别准确率。

技术领域

本发明涉及人脸识别技术领域，具体地说，涉及一种人脸识别模型的训练方法、装置、电子设备和存储介质。

背景技术

ArcFace(Additive Angular Margin Loss for Deep Face Recognition，深度人脸识别的加性角度间隔损失)是人脸识别领域的最新技术，其损失函数为ArcFace loss(加性角度间隔损失函数)，人脸识别模型的识别准确率主要取决于损失函数的设计。

ArcFace loss在传统人脸识别技术的基础上通过添加角度余量(angularmargin)提高类间可分性并加强类内紧度。但是，没有对特征缩放的半径大小做合理的设置，只取固定缩放比例，使所有的特征向量和类中心向量都变成相同的向量长度，即使所有的特征向量和类中心向量都缩放到半径为该固定缩放比例的超球体上。

如果在保持添加的角度余量之后，同时维持特征向量和类中心向量之前的长度不变，那么缩放比例应该等于特征向量和类中心向量的长度之积，特征向量是根据输入数据和卷积层的参数决定的，其长度一直在变化；类中心向量是可学习参数，其长度也一直在变化。由此可见，要求特征向量和类中心向量的长度之积固定不变等于固定缩放比例并不是一个好的约束。

需要说明的是，上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本发明提供一种人脸识别模型的训练方法、装置、电子设备和存储介质，可以通过对人脸识别损失函数的固定缩放比例进行调整，生成能增大类中心向量之间距离的可调缩放向量，提升人脸识别模型的识别准确率。

本发明的一个方面提供一种人脸识别模型的训练方法，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。

在一些实施例中，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。

在一些实施例中，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是的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。

在一些实施例中，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：