[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

说明书

本发明涉及图像识别技术领域，提供一轻量化卷积神经网络的训练方法及人脸属性识别方法，训练方法包括：采集人脸属性数据集；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进行标准卷积，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；将训练输出的所述人脸属性降维特征图输入到所述通道混合结构进行各通道间维度的融合；将输出的人脸属性通道融合特征图输入到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。本发明能够提高属性识别准确率，且自身参数小，运行速度快。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种轻量化卷积神经网络的训练方法及人脸属性识别方法。

背景技术

近年来，人脸属性识别在多个领域中越来越得到广泛的应用，准确、高效的人脸属性识别结果在协助执法人员侦破案件、改进人机交互体验等方面有重要的辅助作用。

在基于卷积神经网络的多类别识别中，如何提高各个类别间有用信息的高效共享、降低无效信息的干扰始终是一个有待解决的技术问题。通常而言，在标准卷积中，卷积核与图像像素值的矩阵运算是在各个通道上同时进行的，但是在采用分组卷积后，各通道上的卷积核与图像像素值的矩阵运算则在各自通道上进行，即各通道间的信息交流是阻塞的，这将有利于维持某种人脸属性的特征。但是通道间信息持续的阻塞将会对最终用于判别各类属性信息的总特征产生不利影响，会对多类别人脸属性的识别结果的准确度造成影响。可见，现有技术中存在，识别结果的准确率低的问题。

发明内容

本发明实施例提供一种轻量化卷积神经网络的训练方法，能够提高属性识别结果的准确度，并降低构建模型参数，提高模型的运行速度。

第一方面，本发明实施例提供一种轻量化卷积神经网络的训练方法，所述方法包括以下步骤：

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。

第二方面，本发明实施例提供一种人脸属性识别方法，包括步骤：

获取待检测数据，所述待检测数据包括人脸属性数据；

将所述待检测数据中的所述人脸属性数据输入到任一实施例中所述的目标卷积神经网络模型进行人脸属性识别；

将人脸属性识别结果进行输出。

第三方面，本发明实施例提供一种轻量化卷积神经网络的训练装置，包括：

采集模块，用于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；

构建模块，用于构建卷积神经网络，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；

特征降维模块，用于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；