[发明专利]人证比对模型训练方法、计算机设备及计算机存储介质

权利要求书

1.一种人证比对模型训练方法，其特征在于，所述方法包括：

获得多组第一训练样本及多组第二训练样本，每组所述第一训练样本包括自然场景人脸图像以及所述自然场景人脸图像对应的身份标签，每组所述第二训练样本包括证件人脸图像以及所述证件人脸图像对应的身份标签；

构建初始人证比对模型，在所述初始人证比对模型中部署主干网络和分类层，所述主干网络包括backbone结构和特征层，所述分类层包括所述第一训练样本对应的分类层和所述第二训练样本对应的分类层；

将多组所述第一训练样本及多组所述第二训练样本输入至所述初始人证比对模型，以使得所述主干网络及所述第一训练样本对应的分类层使用所述第一训练样本进行训练，在所述第一训练样本对应的训练过程的基础上，所述主干网络及所述第二训练样本对应的分类层使用所述第二训练样本进行训练，输出所述第一训练样本对应的第一输出标签以及所述第二训练样本对应的第二输出标签；

当所述第一输出标签与所述自然场景人脸图像对应的身份标签之间的第一损失函数满足收敛条件，以及，所述第二输出标签与所述证件人脸图像对应的身份标签之间的第二损失函数满足收敛条件时停止训练，得到目标人证比对模型。

2.根据权利要求1所述的方法，其特征在于，所述主干网络及所述第一训练样本对应的分类层使用所述第一训练样本进行训练，在所述第一训练样本对应的训练过程的基础上，所述主干网络及所述第二训练样本对应的分类层使用所述第二训练样本进行训练，包括：

使用多组所述第一训练样本执行第一阶段模型训练；

使用多组所述第一训练样本及多组所述第二训练样本对完成所述第一阶段模型训练的初始人证比对模型执行第二阶段模型训练；

使用多组所述第一训练样本及多组所述第二训练样本对完成所述第二阶段模型训练的初始人证比对模型执行第三阶段模型训练，在完成所述第三阶段模型训练时获得所述目标人证比对模型。

3.根据权利要求2所述的方法，其特征在于，所述第一阶段模型训练的步骤包括：

将所述主干网络及所述第一训练样本对应的分类层的学习率设置为正数；

将多组所述第一训练样本输入至所述初始人证比对模型，以使得所述主干网络及所述第一训练样本对应的分类层使用所述第一训练样本进行训练，输出所述第一输出标签，在所述第一损失函数满足收敛条件时确定完成所述第一阶段模型训练。

4.根据权利要求3所述的方法，其特征在于，所述第二阶段模型训练的步骤包括：

将所述主干网络及所述第一训练样本对应的分类层的学习率设置为0，将所述第二训练样本对应的分类层的学习率设置为正数；

将多组所述第一训练样本及多组所述第二训练样本输入至完成所述第一阶段模型训练的初始人证比对模型，以使得所述主干网络及所述第一训练样本对应的分类层使用所述第一训练样本进行训练，所述主干网络及所述第二训练样本对应的分类层使用所述第二训练样本进行训练，输出所述第一输出标签以及所述第二输出标签，在所述第二损失函数满足收敛条件时确定完成所述第二阶段模型训练。

5.根据权利要求4所述的方法，其特征在于，所述第三阶段模型训练的步骤包括：

将所述主干网络及所述第一训练样本对应的分类层的学习率设置为0，将所述第二训练样本对应的分类层的学习率设置为大于0的初始值，且每隔预设训练次数将所述初始值乘以预设值的乘积作为所述第二训练样本对应的分类层的学习率；

将多组所述第一训练样本及多组所述第二训练样本输入至完成所述第二阶段模型训练的初始人证比对模型，以使得所述主干网络及所述第一训练样本对应的分类层使用所述第一训练样本进行训练，所述主干网络及所述第二训练样本对应的分类层使用所述第二训练样本进行训练，当完成总训练次数时确定完成所述第三阶段模型训练，得到所述目标人证比对模型。

6.根据权利要求5所述的方法，其特征在于，所述第二阶段模型训练的步骤中，所述第一损失函数和所述第二损失函数均为arcface loss损失函数；

所述第三阶段模型训练的步骤中，所述第一损失函数为arcface loss损失函数，所述第二损失函数为triplet loss损失函数。