本發(fā)明涉及模型訓(xùn)練，尤其涉及一種基于mobilefacenet的人臉識(shí)別模型訓(xùn)練方法及裝置。

背景技術(shù)：

1、隨著近年來(lái)互聯(lián)網(wǎng)的發(fā)展和計(jì)算能力的提升，人臉識(shí)別技術(shù)被廣泛應(yīng)用于日常的生活以及安全領(lǐng)域中，為人們提供一種高效、準(zhǔn)確和便捷的身份識(shí)別和驗(yàn)證方式。人臉識(shí)別技術(shù)指的是一種基于人臉圖像或視頻的生物識(shí)別技術(shù)，通過(guò)分析人臉的特征和模式來(lái)進(jìn)行身份驗(yàn)證或識(shí)別。人臉識(shí)別技術(shù)的廣泛應(yīng)用可以社會(huì)產(chǎn)生了深遠(yuǎn)的影響，它可以幫助提高公共安全、防止犯罪，也可以用于社會(huì)管理、人口統(tǒng)計(jì)等。因此，把人臉識(shí)別技術(shù)應(yīng)用到自然場(chǎng)景中十分有必要。

2、目前已經(jīng)有一些比較優(yōu)秀的輕量型網(wǎng)絡(luò)用于人臉識(shí)別，如mobilefacenet，但針對(duì)市場(chǎng)上容量較小、計(jì)算資源非常有限的嵌入式設(shè)備，往往需要更加輕量的網(wǎng)絡(luò)，考慮到設(shè)備的實(shí)用性，同時(shí)要求網(wǎng)絡(luò)具有優(yōu)秀的分類能力。模型較小往往意味著特征提取能力不佳，在保持網(wǎng)絡(luò)識(shí)別精度的同時(shí)，減小模型的大小，降低運(yùn)算量是研發(fā)的難點(diǎn)。

3、針對(duì)上述技術(shù)問(wèn)題，本發(fā)明提出一種基于mobilefacenet的人臉識(shí)別模型訓(xùn)練方法及裝置。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)的缺陷，提供了一種基于mobilefacenet的人臉識(shí)別模型訓(xùn)練方法及裝置。

2、為了實(shí)現(xiàn)以上目的，本發(fā)明采用以下技術(shù)方案：

3、一種基于mobilefacenet的人臉識(shí)別模型訓(xùn)練方法，包括：

4、s1.獲取基于mobilefacenet的人臉識(shí)別模型，并對(duì)人臉識(shí)別模型中的主干特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn)，得到改進(jìn)后的人臉識(shí)別模型；

5、s2.通過(guò)基于動(dòng)態(tài)邊界的arcface損失函數(shù)優(yōu)化改進(jìn)后的人臉識(shí)別模型中的參數(shù)；

6、s3.通過(guò)自適應(yīng)指數(shù)衰減的學(xué)習(xí)率策略對(duì)改進(jìn)后的人臉識(shí)別模型進(jìn)行訓(xùn)練，得到最終人臉識(shí)別模型。

7、進(jìn)一步的，所述步驟s1中改進(jìn)的主干特征提取網(wǎng)絡(luò)包括：bottleneck瓶頸層后會(huì)經(jīng)過(guò)第一逐點(diǎn)卷積塊和兩個(gè)分組卷積塊，兩個(gè)分組卷積塊后會(huì)添加通道混洗模塊。

8、進(jìn)一步的，所述步驟s2中基于動(dòng)態(tài)邊界的arcface損失函數(shù)：將arcface損失函數(shù)的固定角度邊界改為動(dòng)態(tài)角度邊界，根據(jù)人臉識(shí)別模型的訓(xùn)練效果動(dòng)態(tài)調(diào)整角度邊界的參數(shù)。

9、進(jìn)一步的，所述步驟s2中基于動(dòng)態(tài)邊界的arcface損失函數(shù)，表示為：

10、

11、其中，l表示基于動(dòng)態(tài)邊界的arcface損失函數(shù)；n表示樣本數(shù)量；e表示常數(shù)；s表示縮放系數(shù)；表示第i個(gè)樣本的特征向量與對(duì)應(yīng)真實(shí)類別的權(quán)重向量之間的夾角；m表示初始角度邊界；δm表示動(dòng)態(tài)角度邊界的參數(shù)；n表示類別總數(shù)；yi表示第i個(gè)樣本的類別；θj表示特征向量與第j個(gè)類別權(quán)重向量之間的夾角。

12、進(jìn)一步的，所述動(dòng)態(tài)角度邊界的參數(shù)δm表示為：

13、

14、其中，lbatch表示當(dāng)前訓(xùn)練批次的損失；θlow表示損失閾值下限；θhight表示損失閾值上限。

15、進(jìn)一步的，所述步驟s3中自適應(yīng)指數(shù)衰減的學(xué)習(xí)率策略具體為：根據(jù)人臉識(shí)別模型的訓(xùn)練周期長(zhǎng)度和當(dāng)前訓(xùn)練輪次來(lái)更新學(xué)習(xí)率，利用指數(shù)衰減因子自適應(yīng)控制學(xué)習(xí)率下降速度，保持人臉識(shí)別模型訓(xùn)練穩(wěn)定。

16、相應(yīng)的，還提供一種基于mobilefacenet的人臉識(shí)別模型訓(xùn)練裝置，用于執(zhí)行所述的一種基于mobilefacenet的人臉識(shí)別模型訓(xùn)練方法，訓(xùn)練裝置包括處理器，所述處理器內(nèi)設(shè)置有：

17、改進(jìn)模塊，用于獲取基于mobilefacenet的人臉識(shí)別模型，并對(duì)人臉識(shí)別模型中的主干特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn)，得到改進(jìn)后的人臉識(shí)別模型；

18、優(yōu)化模塊，用于通過(guò)基于動(dòng)態(tài)邊界的arcface損失函數(shù)優(yōu)化改進(jìn)后的人臉識(shí)別模型中的參數(shù)；

19、訓(xùn)練模塊，用于通過(guò)自適應(yīng)指數(shù)衰減的學(xué)習(xí)率策略對(duì)改進(jìn)后的人臉識(shí)別模型進(jìn)行訓(xùn)練，得到最終人臉識(shí)別模型。

20、進(jìn)一步的，所述處理器上連接有用于存儲(chǔ)數(shù)據(jù)或指令的存儲(chǔ)器。

21、進(jìn)一步的，所述處理器上連接有用于與外部設(shè)備數(shù)據(jù)傳輸?shù)膫鬏斣O(shè)備。

22、進(jìn)一步的，所述處理器上連接有用于與輸入或輸出信息的輸入輸出設(shè)備。

23、與現(xiàn)有技術(shù)相比，本發(fā)明在輕量級(jí)網(wǎng)絡(luò)mobilefacenet基礎(chǔ)上對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，設(shè)計(jì)出一個(gè)更加輕量級(jí)的網(wǎng)絡(luò)。同時(shí)設(shè)計(jì)針對(duì)模型訓(xùn)練效果的基于動(dòng)態(tài)邊界的arcface損失函數(shù)，配合自適應(yīng)指數(shù)衰減的學(xué)習(xí)率策略，訓(xùn)練出一個(gè)性能更好的人臉識(shí)別模型，可以解決網(wǎng)絡(luò)模型過(guò)大，無(wú)法部署在計(jì)算資源有限、規(guī)模較小的嵌入式設(shè)備上。

技術(shù)特征：

1.一種基于mobilefacenet的人臉識(shí)別模型訓(xùn)練方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于mobilefacenet的人臉識(shí)別模型訓(xùn)練方法，其特征在于，所述步驟s1中改進(jìn)的主干特征提取網(wǎng)絡(luò)包括：bottleneck瓶頸層后會(huì)經(jīng)過(guò)第一逐點(diǎn)卷積塊和兩個(gè)分組卷積塊，兩個(gè)分組卷積塊后會(huì)添加通道混洗模塊。

3.根據(jù)權(quán)利要求1所述的一種基于mobilefacenet的人臉識(shí)別模型訓(xùn)練方法，其特征在于，所述步驟s2中基于動(dòng)態(tài)邊界的arcface損失函數(shù)：將arcface損失函數(shù)的固定角度邊界改為動(dòng)態(tài)角度邊界，根據(jù)人臉識(shí)別模型的訓(xùn)練效果動(dòng)態(tài)調(diào)整角度邊界的參數(shù)。

4.根據(jù)權(quán)利要求3所述的一種基于mobilefacenet的人臉識(shí)別模型訓(xùn)練方法，其特征在于，所述步驟s2中基于動(dòng)態(tài)邊界的arcface損失函數(shù)，表示為：

5.根據(jù)權(quán)利要求4所述的一種基于mobilefacenet的人臉識(shí)別模型訓(xùn)練方法，其特征在于，所述動(dòng)態(tài)角度邊界的參數(shù)δm表示為：

6.根據(jù)權(quán)利要求1所述的一種基于mobilefacenet的人臉識(shí)別模型訓(xùn)練方法，其特征在于，所述步驟s3中自適應(yīng)指數(shù)衰減的學(xué)習(xí)率策略具體為：根據(jù)人臉識(shí)別模型的訓(xùn)練周期長(zhǎng)度和當(dāng)前訓(xùn)練輪次來(lái)更新學(xué)習(xí)率，利用指數(shù)衰減因子自適應(yīng)控制學(xué)習(xí)率下降速度，保持人臉識(shí)別模型訓(xùn)練穩(wěn)定。

7.一種基于mobilefacenet的人臉識(shí)別模型訓(xùn)練裝置，用于執(zhí)行權(quán)利要求1至6任意一項(xiàng)所述的一種基于mobilefacenet的人臉識(shí)別模型訓(xùn)練方法，訓(xùn)練裝置包括處理器，其特征在于，所述處理器內(nèi)設(shè)置有：

8.根據(jù)權(quán)利要求7所述的一種基于mobilefacenet的人臉識(shí)別模型訓(xùn)練裝置，其特征在于，所述處理器上連接有用于存儲(chǔ)數(shù)據(jù)或指令的存儲(chǔ)器。

9.根據(jù)權(quán)利要求7所述的一種基于mobilefacenet的人臉識(shí)別模型訓(xùn)練裝置，其特征在于，所述處理器上連接有用于與外部設(shè)備數(shù)據(jù)傳輸?shù)膫鬏斣O(shè)備。

10.根據(jù)權(quán)利要求7所述的一種基于mobilefacenet的人臉識(shí)別模型訓(xùn)練裝置，其特征在于，所述處理器上連接有用于與輸入或輸出信息的輸入輸出設(shè)備。

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于MobileFaceNet的人臉識(shí)別模型訓(xùn)練方法及裝置，其中涉及的一種基于MobileFaceNet的人臉識(shí)別模型訓(xùn)練方法，包括：S1.獲取基于MobileFaceNet的人臉識(shí)別模型，并對(duì)人臉識(shí)別模型中的主干特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn)，得到改進(jìn)后的人臉識(shí)別模型；S2.通過(guò)基于動(dòng)態(tài)邊界的Arcface損失函數(shù)優(yōu)化改進(jìn)后的人臉識(shí)別模型中的參數(shù)；S3.通過(guò)自適應(yīng)指數(shù)衰減的學(xué)習(xí)率策略對(duì)改進(jìn)后的人臉識(shí)別模型進(jìn)行訓(xùn)練，得到最終人臉識(shí)別模型。

技術(shù)研發(fā)人員：官慧仙,羅美美,翟天雅
受保護(hù)的技術(shù)使用者：杭州晟元數(shù)據(jù)安全技術(shù)股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6