[发明专利]特征提取网络、活体检测模型的训练方法和活体检测方法

说明书

本公开提供了一种特征提取网络、活体检测模型的训练方法和活体检测方法，涉及人工智能领域，具体涉及计算机视觉和深度学习领域，可应用于人脸识别和活体检测等场景。特征提取网络的训练方法包括：将样本输入特征提取网络中的第一提取子网络，得到特征图；样本具有指示样本来自多个数据域的实际概率的第一标签；将特征图输入特征提取网络中的第二提取子网络，得到域不变特征；分别基于特征图和域不变特征，采用域分类器得到样本来自多个数据域的第一概率和第二概率；基于第一概率、实际概率和针对实际概率的第一权重，训练第一提取子网络；以及基于第二概率、实际概率和针对实际概率的大于第一权重的第二权重，训练第二提取子网络。

技术领域

本公开涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，可应用于人脸识别和活体检测等场景。

背景技术

随着计算机技术和网络技术的发展，深度学习技术在众多领域得到了广泛应用。目前，针对某个数据域，深度学习技术能够带来较好的测试效果。但在不同的数据域上，则无法保证较好的测试效果。即，深度学习技术模型的泛化能力通常较低。

发明内容

基于此，本公开提供了一种提高泛化能力的特征提取网络的训练方法、活体检测模型的训练方法和活体检测方法、装置、设备和存储介质。

根据本公开的一个方面，提供了一种特征提取网络的训练方法，其中，特征提取网络包括第一提取子网络和第二提取子网络，该训练方法包括：将第一样本图像输入第一提取子网络，得到第一样本图像的特征图；其中，第一样本图像具有指示第一样本图像来自多个数据域的实际概率的第一标签；将特征图输入第二提取子网络，得到第一样本图像的第一域不变特征；分别基于特征图和第一域不变特征，采用预定域分类器得到第一样本图像来自多个数据域的第一概率和第二概率；基于第一概率、实际概率和针对实际概率的第一预定权重，对第一提取子网络进行训练；以及基于第二概率、实际概率和针对实际概率的第二预定权重，对第二提取子网络进行训练，其中，第一预定权重大于第二预定权重。

根据本公开的另一个方面，提供了一种活体检测模型的训练方法，其中，活体检测模型包括特征提取子模块和分类子模块；该方法包括：将第二样本图像输入特征提取网络，得到第二样本图像的第二域不变特征；其中，第二样本图像包括目标对象，且第二样本图像具有指示目标对象的实际类别的第二标签；将第二域不变特征输入分类网络，得到第二样本图像中目标对象的预测类别；以及基于实际类别和预测类别，对活体检测模型进行训练，其中，特征提取网络是采用前述的特征提取网络的训练方法训练得到的，实际类别包括真实类别或非真实类别。

根据本公开的另一方面，提供了一种活体检测方法，包括：将待检测图像输入活体检测模型包括的特征提取网络，得到待检测图像的第三域不变特征；以及将第三域不变特征输入活体检测模型包括的分类网络，得到待检测图像中目标对象的类别，其中，活体检测模型是采用前文描述的活体检测模型的训练方法训练得到的。

根据本公开的另一方面，提供了一种特征提取网络的训练装置，其中，该特征提取网络包括第一提取子网络和第二提取子网络，该训练装置包括：第一特征提取模块，用于将第一样本图像输入第一提取子网络，得到第一样本图像的特征图；其中，第一样本图像具有指示第一样本图像来自多个数据域的实际概率的第一标签；第二特征提取模块，用于将特征图输入第二提取子网络，得到第一样本图像的第一域不变特征；概率获得模块，用于分别基于特征图和第一域不变特征，采用预定域分类器得到第一样本图像来自多个数据域的第一概率和第二概率；第一训练模块，用于基于第一概率、实际概率和针对实际概率的第一预定权重，对第一提取子网络进行训练；以及第二训练模块，用于基于第二概率、实际概率和针对实际概率的第二预定权重，对第二提取子网络进行训练，其中，第一预定权重大于第二预定权重。