[发明专利]轻量化卷积神经网络的训练方法及人脸属性识别方法

权利要求书

1.一种轻量化卷积神经网络的训练方法，其特征在于，包括以下步骤：

采集人脸属性数据集，所述人脸属性数据集中包括人脸属性数据；

构建卷积神经网络，所述卷积神经网络包括特征降维结构、通道混合结构及特征分类结构，所述特征分类结构包括通道分隔算法层；

将所述人脸属性数据集中的所述人脸属性数据进行标准卷积，并将标准卷积处理后得到的人脸属性特征图输入到所述特征降维结构进行特征降维训练，以输出人脸属性降维特征图；

将所述人脸属性降维特征图输入到已构建的所述通道混合结构进行各通道间维度的融合，输出人脸属性通道融合特征图；

将所述人脸属性通道融合特征图输入到所述特征分类结构，通过所述通道分隔算法层对通道维度进行拆分，并根据拆分结果设置全连接层，以得到目标卷积神经网络模型。

2.如权利要求1所述的轻量化卷积神经网络的训练方法，其特征在于，所述采集人脸属性数据集的步骤包括：

通过图像采集设备获取视频数据，并对所述视频数据进行视频帧抽取；

识别所述视频帧中的行人，并对行人的所述行人属性图像进行标记，所述行人属性图像包括所述人脸属性数据；

对标记后的所述人脸属性数据进行划分，得到所述人脸属性数据集。

3.如权利要求1所述的轻量化卷积神经网络的训练方法，其特征在于，所述将所述人脸属性数据集中的所述人脸属性数据进行标准卷积，并将标准卷积处理后得到的人脸属性特征图输入到所述特征降维结构进行特征降维训练的步骤包括：

将所述人脸属性数据集中的所述人脸属性数据进行标准化处理；

将标准化处理后的所述人脸属性数据通过预设的第一标准卷积层进行标准卷积计算，得到所述人脸属性特征图；

将所述人脸属性特征图输入到所述特征降维结构进行多次特征降维训练，以输出所述人脸属性降维特征图。

4.如权利要求3所述的轻量化卷积神经网络的训练方法，其特征在于，所述特征降维结构包括第一分组卷积层、第二标准卷积层与第一平均池化层，所述将所述人脸属性特征图输入到所述特征降维结构进行多次特征降维训练的步骤包括：

将所述人脸属性特征图依次输入到所述第一分组卷积层、所述第二标准卷积层及所述第一平均池化层进行特征降维训练；

并重复执行所述将所述人脸属性特征图依次输入到所述第一分组卷积层、所述第二标准卷积层及所述第一平均池化层进行特征降维训练的步骤，直到输出所述人脸属性降维特征图。

5.如权利要求1所述的轻量化卷积神经网络的训练方法，其特征在于，所述通道混合结构包括多层第二分组卷积层以及通道混合层，所述将所述人脸属性降维特征图输入到已构建的所述通道混合结构进行各通道间维度的融合的步骤包括：

将所述人脸属性降维特征图依次输入到多层所述第二分组卷积层，以依次提取所述人脸属性降维特征图的人脸属性特征，通过所述通道混合层对所述人脸属性特征进行各通道间维度的融合，其中，多层所述第二分组卷积层对应的分组数一致；

并重复执行所述将所述人脸属性降维特征图依次输入到多层所述第二分组卷积层，以依次提取所述人脸属性降维特征图的人脸属性特征，通过所述通道混合层对所述人脸属性特征进行各通道间维度的融合的步骤，直到输出所述人脸属性通道融合特征图。

6.如权利要求1所述的轻量化卷积神经网络的训练方法，其特征在于，所述特征分类结构还包括第三分组卷积层与第二平均池化层，所述将所述人脸属性通道融合特征图输入到所述特征分类结构，通过所述通道分隔算法层对通道维度进行拆分的步骤包括：

将所述人脸属性通道融合特征图输入到所述第二平均池化层，降低所述人脸属性通道融合特征图的分辨率；

将降低分辨率后的所述人脸属性通道融合特征图输入到所述第三分组卷积层进行分组卷积处理，重新将通道间维度融合后的人脸属性通道融合特征图拆分给多个属性识别任务；

通过所述通道分隔算法层对所述分组卷积处理后的所述人脸属性通道融合特征图在通道维度上进行拆分。