[发明专利]人脸识别模型的训练方法、装置及计算机程序产品

权利要求书

1.一种人脸识别模型的训练方法，包括：

获取训练样本集，其中，所述训练样本集中的训练样本包括样本人脸图像和类别标签；

利用机器学习方法，以样本人脸图像为输入，以所输入的样本人脸图像对应的类别标签为初始人脸识别模型中的两个目标全连接层的期望输出，训练得到所述人脸识别模型，其中，所述两个目标全连接层依次对包括遮挡物的样本人脸图像、不包括遮挡物的样本人脸图像建模。

2.根据权利要求1所述的方法，其中，所述利用机器学习方法，以样本人脸图像为输入，以所输入的样本人脸图像对应的类别标签为初始人脸识别模型中的两个目标全连接层的期望输出，训练得到所述人脸识别模型，包括：

响应于确定所输入的样本人脸图像为包括遮挡物的人脸图像，执行如下操作：

通过所述初始人脸识别模型中的特征提取网络提取所输入的样本人脸图像的特征信息，并依据提取到的特征信息，通过所述初始人脸识别模型中的第一目标全连接层、第二目标全连接层分别得到实际输出，其中，所述第一目标全连接层对包括遮挡物的人脸图像进行建模，所述第二目标全连接层对不包括遮挡物的人脸图像进行建模；

基于所述第一目标全连接层的实际输出与所输入的样本人脸图像对应的类别标签之间的第一分类损失，更新所述第一目标全连接层；

基于所述第二目标全连接层的实际输出与所输入的样本人脸图像对应的类别标签之间的第二分类损失，更新所述特征提取网络。

3.根据权利要求2所述的方法，其中，所述基于所述第一目标全连接层的实际输出与所输入的样本人脸图像对应的类别标签之间的第一分类损失，更新所述第一目标全连接层，包括：

根据所述第一分类损失，得到第一梯度；

向所述第一目标全连接层反传所述第一梯度，以根据所述第一梯度更新所述第一目标全连接层；以及

所述基于所述第二目标全连接层的实际输出与所输入的样本人脸图像对应的类别标签之间的第二分类损失，更新所述特征提取网络，包括：

根据所述第二分类损失，得到第二梯度；

向所述特征提取网络反传所述第二梯度，以根据所述第二梯度更新所述特征提取网络。

4.根据权利要求2所述的方法，其中，所述利用机器学习方法，以样本人脸图像为输入，以所输入的样本人脸图像对应的类别标签为初始人脸识别模型中的两个目标全连接层的期望输出，训练得到所述人脸识别模型，还包括：

响应于确定所输入的样本人脸图像为不包括遮挡物的人脸图像，执行如下操作：

通过所述特征提取网络提取所输入的样本人脸图像的特征信息，并依据提取到的特征信息，通过所述第一目标全连接层、所述第二目标全连接层分别得到实际输出；

基于所述第二目标全连接层的实际输出与所输入的样本人脸图像对应的类别标签之间的第三分类损失，更新所述第二目标全连接层；

基于所述第一目标全连接层的实际输出与所输入的样本人脸图像对应的类别标签之间的第四分类损失，更新所述特征提取网络。

5.根据权利要求4所述的方法，其中，所述基于所述第二目标全连接层的实际输出与所输入的样本人脸图像对应的类别标签之间的第三分类损失，更新所述第二目标全连接层，包括：

根据所述第三分类损失，得到第三梯度；

向所述第二目标全连接层反传所述第三梯度，以根据所述第三梯度更新所述第二目标全连接层；以及

所述基于所述第一目标全连接层的实际输出与所输入的样本人脸图像对应的类别标签之间的第四分类损失，更新所述特征提取网络，包括：

根据所述第四分类损失，得到第四梯度；

向所述特征提取网络反传所述第四梯度，以根据所述第四梯度更新所述特征提取网络。

6.一种人脸识别方法，包括：

获取待识别图像；

通过预训练的人脸识别模型识别所述待识别图像，得到人脸识别结果，其中，所述人脸识别模型通过权利要求1-5中任一项训练得到。