[发明专利]一种特征码转换网络模型的构建方法

权利要求书

1.一种特征码转换网络模型的构建方法，其特征在于，包括以下步骤：

S1、构建深度神经网络模型；

S2、将源特征码、目标特征码以及人脸身份标识号组成一一对应的样本集，按一定比例分成训练集和测试集；

S3、对构建的深度神经网络模型进行训练，将源特征码作为输入、目标特征码作为输出，利用深度神经网络模型提取源特征码的深度特征信息，最后利用损失函数计算预测得到的特征码与目标特征码之间的余弦夹角损失值，以及计算分类损失值；

S4、开始训练时随机初始化模型中的权重参数，设定相关超参数，采用优化器优化余弦夹角损失值和分类损失值，根据设定的迭代次数重复计算，直至余弦夹角损失值和分类损失值收敛，得到精度最高的深度神经网络模型；

S5、向性能最优的深度神经网络模型输入需转换的特征码，模型输出转换后的特征码。

2.根据权利要求1所述的特征码转换网络模型的构建方法，其特征在于，所述步骤S1中，深度神经网络模型的网络结构为从前至后以卷积层、批归一化层、激活函数层按顺序组成一块，共堆叠8块，然后连接两个并行的全连接层，一个负责对类别进行分类，另一个负责优化预测特征码和目标特征码之间的夹角损失。

3.根据权利要求2所述的特征码转换网络模型的构建方法，其特征在于，所述卷积层设置为8个，所述卷积层的卷积核大小为1×1，步长为1。

4.根据权利要求2所述的特征码转换网络模型的构建方法，其特征在于，所述激活函数层采用参数修正线性单元层。

5.根据权利要求1所述的特征码转换网络模型的构建方法，其特征在于，所述步骤S3中，损失函数为分类类别损失函数和映射损失函数；

所述分类类别损失函数采用柔性最大值损失函数，分类类别损失值的计算公式如下：

式中：N表示批处理样本的大小，n参数表示深度神经网络模型总共需训练的类别数，y_i表示维度为n的y向量中第i个值对应的真实标签值，而s_i是指n维的s向量中第i个值对应的预测概率值；

所述映射损失函数的计算公式如下：

映射损失函数是用来计算深度神经网络模型预测得到的特征码与目标特征码之间的余弦夹角损失值，增加深度神经网络模型的识别能力；

式中：N表示批处理样本的大小，表示模型预测得到的索引为j的特征码向量，表示索引为j的目标特征码向量，是向量的转置向量，表示向量的模长，表示向量的模长；

又根据向量夹角余弦计算公式得：

该公式表示索引为j的源特征码预测得到的特征码与目标特征码之间的夹角θ的余弦值，用该值表示向量之间的相似度，并约束；

则重写映射损失函数的计算公式为：

。

6.根据权利要求1所述的特征码转换网络模型的构建方法，其特征在于，所述步骤S4中，根据设定的迭代次数重复计算的具体步骤为：

采用预热余弦学习率下降法使学习率在训练过程中衰减，预热迭代次数预先设为1000次；

优化器选用使用带牛顿动量的随机梯度下降法，动量参数设为0.9；

根据设定的迭代次数重复计算余弦夹角损失值和分类损失值并优化，直至余弦夹角损失值和分类损失值收敛，得到精度最高的深度神经网络模型。