[发明专利]人脸识别模型的训练方法、装置和计算机设备

权利要求书

1.一种人脸识别模型的训练方法，其特征在于，所述人脸识别模型包括特征生成器、人脸识别判别器和域判别器，方法包括：

通过训练集数据训练所述特征生成器和所述人脸识别判别器，其中，所述训练集数据为带有人脸识别标签标注的离线数据；

判断通过所述训练集数据进行训练时的第一损失函数是否收敛；

若是，则固定所述特征生成器的参数；

在固定所述特征生成器的参数下，通过所述训练集数据和目标域数据同时训练所述域判别器，其中，所述目标域数据为未进行人脸识别标签标注的数据；

判断通过所述训练集数据和目标域数据同时训练所述域判别器的第二损失函数是否收敛；

若是，则获取训练所述域判别器的训练过程对应的第一梯度值，并固定所述域判别器的参数；

将所述第一梯度值变更为与所述第一梯度值相等的负值，成为所述第一梯度值的第一反向梯度值；

在固定所述域判别器的参数下，通过所述训练集数据和目标域数据同时再次训练所述特征生成器，并将所述第一反向梯度值用于训练过程的反向传播训练中；

按照所述特征生成器、人脸识别判别器和域判别器的周期训练过程，迭代训练所述人脸识别模型达到预设条件。

2.根据权利要求1所述的人脸识别模型的训练方法，其特征在于，所述在固定所述域判别器的参数下，通过所述训练集数据和目标域数据同时再次训练所述特征生成器，并将所述第一反向梯度值用于训练过程的反向传播训练中的步骤，包括：

通过所述域判别器的域判别结果，确定通过所述训练集数据正向训练所述域判别器时，所述域判别结果与训练数据之间的误差；

在所述第一反向梯度值的约束下，将所述误差进行反向传播，同时通过所述训练集数据和目标域数据，在所述第一损失函数的约束下，再次训练所述特征生成器，得到更新后的所述特征生成器的权值。

3.根据权利要求2所述的人脸识别模型的训练方法，其特征在于，按照所述特征生成器、人脸识别判别器和域判别器的周期训练过程，迭代训练所述人脸识别模型达到预设条件的步骤之后，包括：

将训练后的所述人脸识别模型，通过部署文件完成上线，形成上线的人脸识别模型；

获取在线数据，将所述在线数据与所述训练集数据一并输入训练后的所述人脸识别模型，进行半监督训练；

确定所述半监督训练之后形成的更新参数的所述人脸识别模型；

通过所述更新参数的所述人脸识别模型，升级所述上线的人脸识别模型。

4.根据权利要求3所述的人脸识别模型的训练方法，其特征在于，获取在线数据，将所述在线数据与所述训练集数据一并输入训练后的所述人脸识别模型，进行半监督训练的步骤，包括：

在固定上线的人脸识别模型中的特征生成器的参数下，通过所述训练集数据和线上数据同时训练所述域判别器，其中，所述线上数据为获取的当前场景的未进行人脸识别标签标注的数据；

判断通过所述训练集数据和线上数据同时训练所述域判别器的所述第二损失函数是否收敛；

若是，则获取训练所述域判别器的训练过程对应的第二梯度值，并固定所述域判别器的参数；

将所述第二梯度值变更为与所述第二梯度值相等的负值，成为所述第二梯度值的第二反向梯度值；

在固定所述域判别器的参数下，通过所述训练集数据和目标域数据同时再次训练所述特征生成器，并将所述第二反向梯度值用于训练过程的反向传播训练中，以更新所述特征生成器的参数。

5.根据权利要求2所述的人脸识别模型的训练方法，其特征在于，所述判断通过所述训练集数据进行训练时的第一损失函数是否收敛的步骤，包括：

判断函数在通过所述训练集数据训练所述特征生成器和所述人脸识别判别器时，函数值是否不再下降，达到最小值，其中，k表示所述训练集的样本个数，n表示分类数，s表示缩放系数，y_i表示样本i的人脸识别分类标签，θy_i表示特征向量与指向样本i的分类标签的权重向量的夹角，θ_j表示特征向量与指向分类标签j的权重向量的夹角，m表示角度的超参数；

若是，则判定所述第一损失函数收敛。