[发明专利]基于联邦学习的人脸识别模型训练方法及装置

说明书

本发明提供一种基于联邦学习的人脸识别模型训练方法及装置，方法包括：接收服务器发送的等效类别向量矩阵和第一骨干网络参数；基于第一骨干网络参数、目标客户端的样本人脸图像、目标客户端的第一类别向量及等效类别向量矩阵，对人脸识别模型进行训练，得到目标人脸识别模型及目标客户端的第二类别向量；向服务器发送第二类别向量和目标人脸识别模型的目标骨干网络参数。通过等效类别向量使得各目标客户端之间不共享类别向量，保证了用户的隐私信息，而且提升了用户人脸识别的准确率。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于联邦学习的人脸识别模型训练方法及装置。

背景技术

人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。一般而言，越多的训练数据所训练出来的模型的识别效果越好，而人脸数据属于个人的一种隐私信息。在现实生活中，一个设备上只有一个类别的情况是十分常见的，因此，如何在保护人脸隐私的情况下，同时获得大规模的人脸数据来训练人脸识别网络成为难题。

联邦学习是基于分布在多个设备上的数据集的机器学习模型，同时禁止设备之间的数据交换，以防止数据泄露。目前，针对一个设备上只有一类数据，而且各个设备之间的类别向量不交换的方法包括联邦平均分散(Federated Averaging with Spreadout，FedAwS)和联邦用户验证(Federated User Verification，FedUV)，其中，FedAwS方法中服务器接收客户端发送的类别向量，使用正则项使得客户端的类别向量相互远离；FedUV方法中利用纠错码使得客户端之间的类别向量之间距离最大化。然而，FedAwS方法和FedUV方法得到的人脸识别模型与基于深度学习等集中训练的人脸识别模型的性能相比，依然存在较大差距。

发明内容

本发明提供一种基于联邦学习的人脸识别模型训练方法及装置，用以解决现有技术中人脸识别准确率低的问题，实现在保护用户隐私的情况下，提升人脸识别的准确率。

第一方面，本发明提供一种基于联邦学习的人脸识别模型训练方法，应用于目标客户端，方法包括：

接收服务器发送的等效类别向量矩阵和第一骨干网络参数；所述等效类别向量矩阵包括：n个等效类别向量；所述n个等效类别向量由所述服务器对于C-m个候选客户端的类别向量进行融合计算得到；

基于所述第一骨干网络参数、所述目标客户端的样本人脸图像、所述目标客户端的第一类别向量及所述等效类别向量矩阵，对人脸识别模型进行训练，得到目标人脸识别模型及所述目标客户端的第二类别向量；

向所述服务器发送所述第二类别向量和所述目标人脸识别模型的目标骨干网络参数。

根据本发明提供的一种基于联邦学习的人脸识别模型训练方法，所述目标人脸识别模型的损失函数是基于所述样本人脸图像的特征向量与所述目标客户端的第一类别向量之间的余弦相似度，以及所述样本人脸图像的特征向量与所述第一类别向量和所述等效类别向量矩阵之间的余弦相似度确定的。

根据本发明提供的一种基于联邦学习的人脸识别模型训练方法，所述损失函数采用公式(1)表示：

其中，N表示所述目标客户端的样本人脸图像数量；表示第i个样本的类别向量与第i个样本的特征向量之间的余弦相似度，i表示客户端的样本，y_i是第i个样本所示的类别；s_j,i表示类别向量w_j和第i个样本的特征向量之间的余弦相似度，j表示每个客户端的类别向量；C是指每个客户端的类别向量数量和等效类别向量数量之和。

根据本发明提供的一种基于联邦学习的人脸识别模型训练方法，所述接收服务器发送的等效类别向量矩阵和第一骨干网络参数之前，所述方法还包括：

将所述目标客户端的第一标识发送至所述服务器；所述第一标识用于表示所述目标客户端。