-
公开(公告)号：CN114333011A
公开(公告)日：2022-04-12
申请号：CN202111628364.0
申请日：2021-12-28
申请人： 北京的卢深视科技有限公司 , 合肥的卢深视科技有限公司
IPC分类号： G06V40/16 , G06K9/62 , G06V40/40 , G06V10/764 , G06V10/84 , G06V10/774
摘要： 本发明实施例涉及人脸识别领域，公开了一种网络训练、人脸识别方法、电子设备及存储介质，其中网络训练方法包括：采集人脸图像，以人脸图像作为第一图像样本构建并训练活体识别网络、以从人脸图像中截取的人眼位置的图像作为第二图像样本构建并训练第二特征提取网络；活体识别网络中某一网络层的输入的特征图为活体识别网络自身提供的人脸特征图与第二特征提取网络中某一网络层输出的特征图的组合特征图；对由活体识别网络、第二特征提取网络、以及在第二特征提取网络的输出端增设的第二分类器构建的联合网络进行联合训练。本方案利用训练的活体识别网络和第二特征提取网络可以辅助现有人脸识别网络进行活体检测以及基于人眼特征的人脸识别。
-
公开(公告)号：CN113449704A
公开(公告)日：2021-09-28
申请号：CN202111008093.9
申请日：2021-08-31
申请人： 北京的卢深视科技有限公司 , 合肥的卢深视科技有限公司
IPC分类号： G06K9/00
摘要： 本发明实施例涉及图像处理领域，公开了一种人脸识别模型训练方法、装置、电子设备及存储介质，方法包括：获取多个类型的样本图像，通过人脸识别模型对样本图像进行识别；根据样本图像的人脸特征识别结果和预设损失函数计算各样本图像的损失值；其中，预设损失函数包括包含人脸特征密度信息的正则项；基于损失值，对人脸识别模型的参数进行调整。通过在损失值计算的过程中，引入人脸特征密度信息，使得在人脸识别模型训练的过程中，根据人脸特征密度信息对样本图像与样本图像的非真实类别之间的间隔进行正则化，使得训练出的人脸识别模型能够适应不同场景下人脸特征差异带来的影响，提取出更有区分性的人脸特征，从而提升人脸识别的准确性。
-
公开(公告)号：CN113792713B
公开(公告)日：2022-03-25
申请号：CN202111351403.7
申请日：2021-11-16
申请人： 北京的卢深视科技有限公司 , 合肥的卢深视科技有限公司
摘要： 本发明实施例涉及人脸识别领域，公开了一种模型训练、人脸识别模型更新方法、电子设备及存储介质，其中模型训练包括：以人脸识别新模型中特征提取网络中任一层输出的特征图为输入，增设特征映射分支网络，形成中间模型；以人脸识别旧模型作为教师模型、所述中间模型为学生模型，对所述特征映射分支网络进行蒸馏训练，得到训练完成后的所述中间模型。本方案能够通过将新人脸识别算法特征空间通过映射矩阵映射到旧人脸识别算法特征空间，在确保人脸识别安全性的前提条件下，避免人脸隐私问题的同时逐步更新人脸特征库，从而实现用户侧无感升级，改善用户体验。
-
公开(公告)号：CN114118370A
公开(公告)日：2022-03-01
申请号：CN202111401804.9
申请日：2021-11-19
申请人： 北京的卢深视科技有限公司 , 合肥的卢深视科技有限公司
IPC分类号： G06N3/04 , G06N3/08 , G06K9/62 , G06V10/764 , G06V10/774
摘要： 本申请实施例涉及计算机视觉技术领域，公开了一种模型训练方法、电子设备和计算机可读存储介质，该方法包括：获取待训练的模型和标注有标签的训练样本；将训练样本输入至模型中，获取模型输出的特征向量；根据模型输出的特征向量和标签构建损失函数，对模型进行迭代训练，直到损失函数收敛，得到训练完成的模型；其中，损失函数包括第一损失项和第二损失项，第一损失项为softmax函数，第二损失项用于约束模型分出的各类别的类别中心向量之间的最小距离不小于平均距离，平均距离为各类别的类别中心向量均匀分布时两两之间的距离，从而避免因不同类别的样本数据量不均衡而训练出带有偏向性的图像分类模型，提升模型分类的准确性。
-
公开(公告)号：CN113850243A
公开(公告)日：2021-12-28
申请号：CN202111438776.8
申请日：2021-11-29
申请人： 北京的卢深视科技有限公司 , 合肥的卢深视科技有限公司
摘要： 本发明实施例涉及人脸识别领域，公开了一种模型训练、人脸识别方法、电子设备及存储介质，其中模型训练包括：采集包含不同人群类别下人脸的图像样本，并标注所述图像样本所属人群类别的类别标签；基于由所述图像样本构建的三元组样本，对预先搭建的人脸识别模型进行原始训练，得到训练完成后的人脸识别模型；以所述人脸识别模型中特征提取网络中任一层输出的特征图为输入，增设人群类别分支网络，形成中间模型；基于所述图像样本和所述图像样本的类别标签训练所述人群类别分支网络，得到训练完成后的所述中间模型。本方案能够有效解决当前人脸识别产品采用同一人脸识别算法无法很好地同时解决因人群类别差异造成的拒识率高或者误识率高的问题。
-
公开(公告)号：CN113762118A
公开(公告)日：2021-12-07
申请号：CN202110997476.7
申请日：2021-08-27
申请人： 北京的卢深视科技有限公司 , 合肥的卢深视科技有限公司
摘要： 本发明实施例涉及图像识别领域，公开了一种人脸识别的方法、电子设备及存储介质。本发明中人脸识别的方法，包括：获取待识别的人脸图像作为目标人脸图像；将目标人脸图像输入至预设的目标人脸识别模型，获得目标人脸图像的识别结果，目标人脸识别模型包括基础人脸识别模型和局部识别网络，基础人脸识别模型用于提取目标人脸图像的特征图像，局部识别网络用于获取目标人脸图像的局部特征。采用本申请实施例，可以提高人脸识别的准确性。
-
公开(公告)号：CN113887538B
公开(公告)日：2022-03-25
申请号：CN202111473544.6
申请日：2021-11-30
申请人： 北京的卢深视科技有限公司 , 合肥的卢深视科技有限公司
IPC分类号： G06V40/16 , G06V10/46 , G06V10/74 , G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明实施例涉及图像处理领域，公开了一种模型训练、人脸识别方法、电子设备及存储介质，其中模型训练方法包括：获取包含人脸的图像样本和所述图像样本的类别标签；将所述图像样本输入至由特征提取层和分类层搭建的网络结构进行训练，得到训练完成后的所述特征提取层；其中，训练所述特征提取层时的损失函数，是基于所述图像样本的类别标签与所述分类层输出的分类结果之间的分类损失、以及相同类别标签下图像样本的特征向量之间的方向损失构建。本方案能够使得类别相同的样本特征在特征空间中不仅可以聚类，而且可以聚集在同一方向，降低样本特征方差，缓解训练阶段和测试阶段的差异性，提高模型的人脸识别准确率。
-
公开(公告)号：CN113792713A
公开(公告)日：2021-12-14
申请号：CN202111351403.7
申请日：2021-11-16
申请人： 北京的卢深视科技有限公司 , 合肥的卢深视科技有限公司
摘要： 本发明实施例涉及人脸识别领域，公开了一种模型训练、人脸识别模型更新方法、电子设备及存储介质，其中模型训练包括：以人脸识别新模型中特征提取网络中任一层输出的特征图为输入，增设特征映射分支网络，形成中间模型；以人脸识别旧模型作为教师模型、所述中间模型为学生模型，对所述特征映射分支网络进行蒸馏训练，得到训练完成后的所述中间模型。本方案能够通过将新人脸识别算法特征空间通过映射矩阵映射到旧人脸识别算法特征空间，在确保人脸识别安全性的前提条件下，避免人脸隐私问题的同时逐步更新人脸特征库，从而实现用户侧无感升级，改善用户体验。
-
公开(公告)号：CN113449704B
公开(公告)日：2022-03-25
申请号：CN202111008093.9
申请日：2021-08-31
申请人： 北京的卢深视科技有限公司 , 合肥的卢深视科技有限公司
IPC分类号： G06V40/16
摘要： 本发明实施例涉及图像处理领域，公开了一种人脸识别模型训练方法、装置、电子设备及存储介质，方法包括：获取多个类型的样本图像，通过人脸识别模型对样本图像进行识别；根据样本图像的人脸特征识别结果和预设损失函数计算各样本图像的损失值；其中，预设损失函数包括包含人脸特征密度信息的正则项；基于损失值，对人脸识别模型的参数进行调整。通过在损失值计算的过程中，引入人脸特征密度信息，使得在人脸识别模型训练的过程中，根据人脸特征密度信息对样本图像与样本图像的非真实类别之间的间隔进行正则化，使得训练出的人脸识别模型能够适应不同场景下人脸特征差异带来的影响，提取出更有区分性的人脸特征，从而提升人脸识别的准确性。
-
公开(公告)号：CN113887538A
公开(公告)日：2022-01-04
申请号：CN202111473544.6
申请日：2021-11-30
申请人： 北京的卢深视科技有限公司 , 合肥的卢深视科技有限公司
摘要： 本发明实施例涉及图像处理领域，公开了一种模型训练、人脸识别方法、电子设备及存储介质，其中模型训练方法包括：获取包含人脸的图像样本和所述图像样本的类别标签；将所述图像样本输入至由特征提取层和分类层搭建的网络结构进行训练，得到训练完成后的所述特征提取层；其中，训练所述特征提取层时的损失函数，是基于所述图像样本的类别标签与所述分类层输出的分类结果之间的分类损失、以及相同类别标签下图像样本的特征向量之间的方向损失构建。本方案能够使得类别相同的样本特征在特征空间中不仅可以聚类，而且可以聚集在同一方向，降低样本特征方差，缓解训练阶段和测试阶段的差异性，提高模型的人脸识别准确率。
-
-
-
-
-
-
-
-
-
搜索结果
15 条记录 (耗时 0.055 秒)
