基于非平衡标签信息融合的人脸识别算法架构

    公开(公告)号:CN105701482A

    公开(公告)日:2016-06-22

    申请号:CN201610111889.X

    申请日:2016-02-29

    IPC分类号: G06K9/00 G06N3/08

    CPC分类号: G06K9/00221 G06N3/088

    摘要: 本发明公开了基于非平衡标签信息融合的人脸识别算法架构,包括L1和L2两层架构,L1中利用监督学习算法对人脸数据和对应的标签信息进行训练得到初始化人脸识别模型一,后利用无监督方法训练无标签数据,交替优化人脸数据标签信息和模型一参数,多次迭代后计算得到最终的人脸识别模型一。L2与L1思路相反,先随机初始化人脸识别模型二的参数,然后进行无监督训练更新模型参数;后输入有标签数据,利用监督学习算法继续训练,得到最终的人脸识别模型二。融合模型一和模型二得到最终的人脸识别模型。本发明结合监督学习算法和无监督学习算法各自的优势,充分发挥海量无标签数据的作用,使算法既能够在特定场景下具备优秀的识别能力,又能适应不同场景。

    基于非平衡标签信息融合的人脸识别方法

    公开(公告)号:CN105701482B

    公开(公告)日:2019-02-05

    申请号:CN201610111889.X

    申请日:2016-02-29

    IPC分类号: G06K9/00 G06N3/08

    摘要: 本发明公开了基于非平衡标签信息融合的人脸识别算法架构,包括L1和L2两层架构,L1中利用监督学习算法对人脸数据和对应的标签信息进行训练得到初始化人脸识别模型一,后利用无监督方法训练无标签数据,交替优化人脸数据标签信息和模型一参数,多次迭代后计算得到最终的人脸识别模型一。L2与L1思路相反,先随机初始化人脸识别模型二的参数,然后进行无监督训练更新模型参数;后输入有标签数据,利用监督学习算法继续训练,得到最终的人脸识别模型二。融合模型一和模型二得到最终的人脸识别模型。本发明结合监督学习算法和无监督学习算法各自的优势,充分发挥海量无标签数据的作用,使算法既能够在特定场景下具备优秀的识别能力,又能适应不同场景。

    一种1比N人脸识别引擎多算法融合方法

    公开(公告)号:CN114049659B

    公开(公告)日:2024-04-19

    申请号:CN202111119864.1

    申请日:2021-09-24

    摘要: 本发明公开了一种1比N人脸识别引擎多算法融合方法,针对单一算法引擎返回分数较高且Top N之间分布分散的结果,利用阈值控制门策略将其过滤返回,不再进行其他算法引擎的比对,可以节约比对资源、提升并发能力。针对单一算法引擎返回分数较低或Top N之间分布集中而造成的“没有把握”的识别结果,通过算法选择器选择其他算法进一步比较,通过KNN算法最终选择输出模型结果。根据多算法引擎比较选择,可以充分运用不同算法引擎的各种优势,提高识别准确率。

    一种1比N人脸识别引擎多算法融合方法

    公开(公告)号:CN114049659A

    公开(公告)日:2022-02-15

    申请号:CN202111119864.1

    申请日:2021-09-24

    摘要: 本发明公开了一种1比N人脸识别引擎多算法融合方法,针对单一算法引擎返回分数较高且Top N之间分布分散的结果,利用阈值控制门策略将其过滤返回,不再进行其他算法引擎的比对,可以节约比对资源、提升并发能力。针对单一算法引擎返回分数较低或Top N之间分布集中而造成的“没有把握”的识别结果,通过算法选择器选择其他算法进一步比较,通过KNN算法最终选择输出模型结果。根据多算法引擎比较选择,可以充分运用不同算法引擎的各种优势,提高识别准确率。