[发明专利]一种基于交替对抗迁移学习的单样本人脸识别方法

权利要求书

1.一种基于交替对抗迁移学习的单样本人脸识别方法，其特征在于，采集待识别者的单张人脸样本进行标注后构建源域图片集，采集不同应用场景下的无标注人脸样本构建目标域图片集；构建包含特征提取器、分类器和判别器的深度对抗迁移神经网络，所述特征提取器中的各特征提取模块都包含卷积层和特征加权模块，所述特征加权模块对卷积层提取的特征进行特征重校准后输出各通道权重，卷积层提取的特征与各通道权重相乘后累加输入数据得到最终提取的特征，所述分类器对特征提取器提取的源域特征进行标签预测，所述判别器对特征提取器提取的源域特征和目标域特征进行域预测；以源域图片集和目标域图片集为深度对抗迁移神经网络的输入数据，采取相邻训练周期交替冻结卷积层和特征通道加权模块的训练方式提取源域特征和目标域特征，依据最后一个训练周期提取的源域特征和目标域特征进行域预测。

2.根据权利要求1所述一种基于交替对抗迁移学习的单样本人脸识别方法，其特征在于，采取相邻训练周期交替冻结卷积层和特征通道加权模块的训练方式提取源域特征和目标域特征的方法为：在奇数训练周期冻结特征通道加权模块后采用小批量样本对抗训练特征提取器中各卷积层与判别器，在偶数训练周期冻结特征提取器中各卷积层后采用大批量样本对抗训练特征通道加权模块与判别器。

3.根据权利要求1所述一种基于交替对抗迁移学习的单样本人脸识别方法，其特征在于，所述特征通道加权模块为Squeeze-Excitation模块。

4.根据权利要求1所述一种基于交替对抗迁移学习的单样本人脸识别方法，其特征在于，采用Sigmoid判别器对最后一个训练周期提取的源域特征和目标域特征进行域预测。

5.根据权利要求1所述一种基于交替对抗迁移学习的单样本人脸识别方法，其特征在于，构件源域图片集时，采用3DMM人脸建模技术对单张人脸样本进行建模，并通过旋转人脸模型的方式得到合成样本。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理执行时实现权利要求1所述的基于交替对抗迁移学习的单样本人脸识别方法。

7.终端设备，其特征在于，包括：存储器、处理器及存储在存储器上并可以在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1所述的基于交替对抗迁移学习的单样本人脸识别方法。