人臉識(shí)別模型的訓(xùn)練方法及裝置的制造方法
【專利摘要】本申請(qǐng)?zhí)峁┮环N人臉識(shí)別模型的訓(xùn)練方法及裝置，其中的方法包括：基于公開人臉數(shù)據(jù)集進(jìn)行多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并訓(xùn)練出至少一個(gè)基層；從所述至少一個(gè)基層中提取圖像變換參數(shù)；根據(jù)提取到的圖像變換參數(shù)對(duì)非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理；將模糊化處理后的非公開人臉數(shù)據(jù)集上傳到服務(wù)端，由所述服務(wù)端完成所述多層神經(jīng)網(wǎng)絡(luò)剩余基層的訓(xùn)練。本申請(qǐng)可以排除在對(duì)非公開人臉數(shù)據(jù)進(jìn)行上傳的過(guò)程中泄密風(fēng)險(xiǎn)。
【專利說(shuō)明】
人臉識(shí)別模型的訓(xùn)練方法及裝置
技術(shù)領(lǐng)域
[0001]本申請(qǐng)涉及通訊領(lǐng)域，尤其涉及一種人臉識(shí)別模型的訓(xùn)練方法及裝置。
【背景技術(shù)】
[0002]人臉識(shí)別是圖像識(shí)別領(lǐng)域的一個(gè)熱門領(lǐng)域，為了訓(xùn)練更高精度的人臉識(shí)別模型，現(xiàn)有的訓(xùn)練系統(tǒng)都需要大量的人臉圖像作為訓(xùn)練樣本，并且采用分布式計(jì)算以提高訓(xùn)練速度，因此越來(lái)越多的模型訓(xùn)練任務(wù)已經(jīng)放在云計(jì)算平臺(tái)上來(lái)運(yùn)行。
[0003]然而由于模型訓(xùn)練之前需要將人臉圖像上傳到云計(jì)算平臺(tái)，因此在將人臉圖像上傳到云計(jì)算平臺(tái)的過(guò)程中，則會(huì)存在人臉圖像被竊取從而泄漏用戶隱私的問(wèn)題。

【發(fā)明內(nèi)容】

[0004]有鑒于此，本申請(qǐng)?zhí)岢鲆环N人臉識(shí)別模型的訓(xùn)練方法，該方法包括:
[0005]基于公開人臉數(shù)據(jù)集進(jìn)行多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并訓(xùn)練出至少一個(gè)基層；
[0006]從所述至少一個(gè)基層中提取圖像變換參數(shù)；
[0007]根據(jù)提取到的圖像變換參數(shù)對(duì)非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理；
[0008]將模糊化處理后的非公開人臉數(shù)據(jù)集上傳到服務(wù)端，由所述服務(wù)端完成所述多層神經(jīng)網(wǎng)絡(luò)剩余基層的訓(xùn)練。
[0009]可選的，所述多層神經(jīng)網(wǎng)絡(luò)包括多層卷積神經(jīng)網(wǎng)絡(luò)。
[0010]可選的，所述服務(wù)端包括云計(jì)算平臺(tái)。
[0011]可選的，所述從所述至少一個(gè)網(wǎng)絡(luò)層中提取圖像變換參數(shù)包括:
[0012]提取所述至少一個(gè)網(wǎng)絡(luò)層中的特征映射圖；
[0013]將提取出的特征映射圖作為圖像變換參數(shù)進(jìn)行輸出。
[0014]可選的，所述根據(jù)提取到的圖像變換參數(shù)對(duì)非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理包括:
[0015]將所述圖像變換參數(shù)作為卷積核與所述非公開人臉數(shù)據(jù)集進(jìn)行卷積計(jì)算，以對(duì)所述非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理。
[0016]本申請(qǐng)還提出一種人臉識(shí)別模型的訓(xùn)練裝置，該裝置包括:
[0017]訓(xùn)練模塊，用于基于公開人臉數(shù)據(jù)集進(jìn)行多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并訓(xùn)練出至少一個(gè)基層;
[0018]提取模塊，用于從所述至少一個(gè)基層中提取圖像變換參數(shù)；
[0019]處理模塊，用于根據(jù)提取到的圖像變換參數(shù)對(duì)非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理；
[0020]上傳模塊，用于將模糊化處理后的非公開人臉數(shù)據(jù)集上傳到服務(wù)端，由所述服務(wù)端完成所述多層神經(jīng)網(wǎng)絡(luò)剩余基層的訓(xùn)練。
[0021]可選的，所述多層神經(jīng)網(wǎng)絡(luò)包括多層卷積神經(jīng)網(wǎng)絡(luò)；所述服務(wù)端包括云計(jì)算平臺(tái)。
[0022]可選的，所述提取模塊具體用于:
[0023]提取所述至少一個(gè)網(wǎng)絡(luò)層中的特征映射圖；
[0024]將提取出的特征映射圖作為圖像變換參數(shù)進(jìn)行輸出。
[0025]可選的，所述處理模塊具體用于:
[0026]將所述圖像變換參數(shù)作為卷積核與所述非公開人臉數(shù)據(jù)集進(jìn)行卷積計(jì)算，以對(duì)所述非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理。
[0027]本申請(qǐng)還提出一種人臉識(shí)別模型的訓(xùn)練裝置，包括:
[0028]處理器；用于存儲(chǔ)所述處理器可執(zhí)行指令的存儲(chǔ)器；
[0029]其中，所述處理器被配置為:
[0030]基于公開人臉數(shù)據(jù)集進(jìn)行多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并訓(xùn)練出至少一個(gè)基層；
[0031]從所述至少一個(gè)基層中提取圖像變換參數(shù)；
[0032]根據(jù)提取到的圖像變換參數(shù)對(duì)非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理；
[0033]將模糊化處理后的非公開人臉數(shù)據(jù)集上傳到服務(wù)端，由所述服務(wù)端完成所述多層神經(jīng)網(wǎng)絡(luò)剩余基層的訓(xùn)練。
[0034]本申請(qǐng)通過(guò)基于公開人臉數(shù)據(jù)集進(jìn)行多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并訓(xùn)練出至少一個(gè)基層，然后從訓(xùn)練出的所述至少一個(gè)基層中提取圖像變換參數(shù)對(duì)非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理，并將模糊化處理后的非公開人臉數(shù)據(jù)集上傳給服務(wù)端，由服務(wù)端完成剩余基層的訓(xùn)練。由于對(duì)非公開人臉數(shù)據(jù)進(jìn)行的模糊化處理為不可逆的，而且模糊化處理后的人臉數(shù)據(jù)用戶肉眼無(wú)法進(jìn)行分辨，因此在對(duì)非公開人臉數(shù)據(jù)進(jìn)行上傳的過(guò)程中，排除了泄密風(fēng)險(xiǎn)。
【附圖說(shuō)明】
[0035]圖1是本申請(qǐng)一實(shí)施例提供的一種人臉識(shí)別模型的訓(xùn)練方法的流程圖；
[0036]圖2是本申請(qǐng)一實(shí)施例提供的一種4個(gè)基層的多層卷積神經(jīng)網(wǎng)絡(luò)的基本架構(gòu)圖；
[0037]圖3是本申請(qǐng)一實(shí)施例提供的一種人臉識(shí)別模型的訓(xùn)練裝置的邏輯框圖；
[0038]圖4是本申請(qǐng)一實(shí)施例提供的承載所述人臉識(shí)別模型的訓(xùn)練裝置的服務(wù)器的硬件結(jié)構(gòu)圖。
【具體實(shí)施方式】
[0039]這里將詳細(xì)地對(duì)示例性實(shí)施例進(jìn)行說(shuō)明，其示例表示在附圖中。下面的描述涉及附圖時(shí)，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實(shí)施例中所描述的實(shí)施方式并不代表與本申請(qǐng)相一致的所有實(shí)施方式。相反，它們僅是與如所附權(quán)利要求書中所詳述的、本申請(qǐng)的一些方面相一致的裝置和方法的例子。
[0040]在現(xiàn)有技術(shù)中，針對(duì)圖像在傳輸過(guò)程中可能會(huì)存在隱私泄露的問(wèn)題，目前的解決方案主要基于以下兩種:
[0041]第一，使用密鑰對(duì)需要上傳的人臉圖像進(jìn)行加密，然后對(duì)加密后的人臉圖像作為公開信息傳輸；云計(jì)算平臺(tái)在收到上傳的加密圖像后，進(jìn)行解密獲取原始的人臉圖像進(jìn)行人臉識(shí)別模型的訓(xùn)練。
[0042]在以上方案中，對(duì)人臉圖像進(jìn)行加密時(shí)所使用的密鑰一旦被破解或者泄露，仍然會(huì)造成隱私泄露的問(wèn)題。
[0043]第二，在需要上傳的人臉圖像上劃定隱私區(qū)域，并對(duì)隱私區(qū)域進(jìn)行部分模糊化，然后用隱私區(qū)域減去模糊化后的隱私區(qū)域得到差值隱私圖像，并使用密鑰對(duì)差值隱私區(qū)域進(jìn)行加密。
[0044]在以上方案中，對(duì)差值隱私區(qū)域進(jìn)行加密時(shí)所使用的密鑰一旦被破解或者泄露，未授權(quán)的用戶就可以獲取到差值隱私圖像，仍然會(huì)造成隱私泄露。
[0045]有鑒于此，本申請(qǐng)?zhí)岢鲆环N人臉識(shí)別模型的訓(xùn)練方法，通過(guò)針對(duì)公開人臉數(shù)據(jù)集進(jìn)行多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并訓(xùn)練出至少一個(gè)基層，然后從訓(xùn)練出的所述至少一個(gè)基層中提取圖像變換參數(shù)對(duì)非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理，并將模糊化處理后的非公開人臉數(shù)據(jù)集上傳給云計(jì)算平臺(tái)，由云計(jì)算平臺(tái)完成剩余基層的訓(xùn)練。由于對(duì)非公開人臉數(shù)據(jù)進(jìn)行的模糊化處理為不可逆的，而且模糊化處理后的人臉數(shù)據(jù)用戶肉眼無(wú)法進(jìn)行分辨，因此在對(duì)非公開人臉數(shù)據(jù)進(jìn)行上傳的過(guò)程中，排除了泄密風(fēng)險(xiǎn)。
[0046]下面通過(guò)具體實(shí)施例并結(jié)合具體的應(yīng)用場(chǎng)景對(duì)本申請(qǐng)進(jìn)行描述。
[0047]請(qǐng)參考圖1，圖1是本申請(qǐng)一實(shí)施例提供的一種人臉識(shí)別模型的訓(xùn)練方法，該方法的執(zhí)行主體可以為第一服務(wù)器；當(dāng)然在實(shí)現(xiàn)時(shí)該方法的執(zhí)行主體也可以是各種提供計(jì)算資源的計(jì)算機(jī)；所述方法包括以下步驟:
[0048]步驟101，基于公開人臉數(shù)據(jù)集進(jìn)行多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并訓(xùn)練出至少一個(gè)基層；
[0049]步驟102，從所述至少一個(gè)基層中提取圖像變換參數(shù)；
[0050]步驟103，根據(jù)提取到的圖像變換參數(shù)對(duì)非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理；
[0051]步驟104，將模糊化處理后的非公開人臉數(shù)據(jù)集上傳到服務(wù)端，由所述服務(wù)端完成所述多層神經(jīng)網(wǎng)絡(luò)剩余基層的訓(xùn)練。
[0052]在本實(shí)施例中，所述第一服務(wù)器可以是一個(gè)存儲(chǔ)了用戶的非公開人臉數(shù)據(jù)集的服務(wù)器，所述服務(wù)端可以是具有強(qiáng)大計(jì)算能力的云計(jì)算平臺(tái)，或者所述服務(wù)端也可以是一個(gè)在處理能力上優(yōu)于所述第一服務(wù)器，與所述第一服務(wù)器在物理上相互獨(dú)立的用于進(jìn)行人臉識(shí)別模型訓(xùn)練的第二服務(wù)器。
[0053]以下以所述服務(wù)端為云計(jì)算平臺(tái)為例對(duì)本申請(qǐng)的技術(shù)方案進(jìn)行詳細(xì)描述。
[0054]在實(shí)際應(yīng)用中，為了利用云計(jì)算平臺(tái)的強(qiáng)大計(jì)算能力，人臉識(shí)別模型的訓(xùn)練通?？梢杂稍朴?jì)算平臺(tái)來(lái)進(jìn)行。云計(jì)算平臺(tái)可以將所述第一服務(wù)器上傳的人臉數(shù)據(jù)集作為訓(xùn)練樣本，然后基于大量訓(xùn)練樣本進(jìn)行多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練后輸出人臉識(shí)別模型。然而，云計(jì)算平臺(tái)在進(jìn)行多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)所采用的大量訓(xùn)練樣本，通常會(huì)包括大量的由所述第一服務(wù)器上傳的非公開人臉數(shù)據(jù)集；由于非公開人臉數(shù)據(jù)集通常涉及用戶隱私，因此，為了盡可能的規(guī)避在上傳過(guò)程中可能面臨的隱私泄露的風(fēng)險(xiǎn)，所述第一服務(wù)器在將非公開人臉數(shù)據(jù)集上傳給云計(jì)算平臺(tái)時(shí)，可以在本地針對(duì)非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理。
[0055]第一服務(wù)器在對(duì)非公開人臉數(shù)據(jù)集進(jìn)行模糊化處理時(shí)，可以在在本地基于預(yù)先采集的大量公開人臉數(shù)據(jù)集進(jìn)行多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并訓(xùn)練出至少一個(gè)基層，然后從該基層中提取圖像變換參數(shù)對(duì)需要上傳的非公開人臉數(shù)據(jù)集進(jìn)行模糊化處理。其中，所述公開人臉數(shù)據(jù)集，是指能夠從互聯(lián)網(wǎng)或者其他公共資源上免費(fèi)獲得的人臉圖像數(shù)據(jù)集，這些數(shù)據(jù)集通常已經(jīng)獲得了本人的公開授權(quán)，因?yàn)椴淮嬖谛孤╇[私的風(fēng)險(xiǎn)。
[0056]在本實(shí)施例中，所述多層神經(jīng)網(wǎng)絡(luò)可以是多層卷積神經(jīng)網(wǎng)絡(luò)，在多層卷積神經(jīng)網(wǎng)絡(luò)的基本架構(gòu)中，通常包括多個(gè)4-5個(gè)基層，每一個(gè)基層包括多個(gè)Feature Map (特征映射圖)，每個(gè)Feature Map通過(guò)一個(gè)卷積濾波器提取輸入的人臉圖像的一種特征。在多層卷積神經(jīng)網(wǎng)絡(luò)的所有基層中，通常包括特征提取層C層和特征映射層S層，例如，請(qǐng)參見圖2，圖2為本實(shí)施例中示出的一種4個(gè)基層的多層卷積神經(jīng)網(wǎng)絡(luò)的基本架構(gòu)，包括C1、S1、C2和S2等4個(gè)基層。Cl和C2層為特征提取層，SI和S2層為特征映射層。特征提取層也可以稱之為卷積層，用于對(duì)輸入的圖像數(shù)據(jù)進(jìn)行卷積計(jì)算；每一個(gè)特征提取層緊跟一個(gè)特征映射層，用于對(duì)特征提取層中卷積計(jì)算后生成的Feature Map進(jìn)行抽樣計(jì)算。
[0057]第一服務(wù)器在對(duì)非公開人臉數(shù)據(jù)集進(jìn)行模糊化處理時(shí)，可以按照?qǐng)D2所示出的架構(gòu)對(duì)預(yù)先采集的大量公開人臉數(shù)據(jù)集進(jìn)行多層卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并且訓(xùn)練出至少一個(gè)基層，然后提取該基層中的Feature Map作為圖像變換參數(shù)對(duì)非公開人臉數(shù)據(jù)集進(jìn)行模糊化處理。
[0058]其中，第一服務(wù)器在本地針對(duì)所述公開人臉數(shù)據(jù)訓(xùn)練出的基層數(shù)，應(yīng)該小于多層卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的最大基層數(shù)，對(duì)于剩余的基層數(shù)將由云計(jì)算平臺(tái)繼續(xù)進(jìn)行訓(xùn)練后完成。
[0059]請(qǐng)繼續(xù)參見圖2，在本實(shí)施例示出的一個(gè)示例中，第一服務(wù)器可以在本地基于公開人臉數(shù)據(jù)集訓(xùn)練出多層卷積神經(jīng)網(wǎng)絡(luò)的前兩層，即Cl層和S2層。當(dāng)然，在實(shí)際應(yīng)用中，第一服務(wù)器也可以只在本地訓(xùn)練出多層卷積神經(jīng)網(wǎng)絡(luò)的Cl層，由云計(jì)算平臺(tái)完成S1、C2和S2層的訓(xùn)練；或者第一服務(wù)器可以在本地訓(xùn)練出多層卷積神經(jīng)網(wǎng)絡(luò)的Cl、SI和C2，由云計(jì)算平臺(tái)完成S2層的訓(xùn)練，在本實(shí)施例中不進(jìn)行特別限定。
[0060]具體地，第一服務(wù)器首先可以將輸入的公開人臉數(shù)據(jù)集和3個(gè)卷積濾波器進(jìn)行卷積計(jì)算后，在Cl層產(chǎn)生3個(gè)Feature Map ;S2層對(duì)Cl層中的Feature Map經(jīng)過(guò)抽樣計(jì)算后也得到3個(gè)S2層Feature Map。其中，所述卷積濾波器的數(shù)量可以根據(jù)實(shí)際需求進(jìn)行設(shè)置，在本實(shí)施例中不進(jìn)行特別限定；C1層和S2的詳細(xì)訓(xùn)練過(guò)程，本領(lǐng)域技術(shù)人員可以參考現(xiàn)有技術(shù)中的介紹，本實(shí)施例中不再進(jìn)行詳述。
[0061]當(dāng)Cl層和S2層訓(xùn)練完成后，可以將Cl層和S2層中的Feature Map提取出來(lái)，并作為圖像變換參數(shù)進(jìn)行輸出，后續(xù)可以根據(jù)該圖像變換參數(shù)對(duì)非公開人臉數(shù)據(jù)集進(jìn)行模糊化處理。
[0062]當(dāng)?shù)谝环?wù)器訓(xùn)練出多層卷積神經(jīng)網(wǎng)絡(luò)的前兩層后，成功輸出所述圖像變換參數(shù)后，可以根據(jù)輸出的圖像變換參數(shù)對(duì)非公開人臉數(shù)據(jù)集進(jìn)行模糊化處理。
[0063]第一服務(wù)器在對(duì)所述非公開人臉數(shù)據(jù)集進(jìn)行模糊化處理時(shí)，可以通過(guò)將輸出的所述圖像變換參數(shù)作為卷積核，與非公開人臉數(shù)據(jù)集進(jìn)行卷積計(jì)算，來(lái)完成針對(duì)非公開人臉數(shù)據(jù)集的模糊化操作。由于卷積操作是一個(gè)不可逆的過(guò)程，因此通過(guò)卷積計(jì)算模糊化處理后的人臉圖像不可恢復(fù)，而且無(wú)法通過(guò)肉眼進(jìn)行分辨。
[0064]對(duì)于模糊化操作后的非公開人臉數(shù)據(jù)，第一服務(wù)器可以上傳給云計(jì)算平臺(tái)，由于上傳的非公開人臉數(shù)據(jù)已經(jīng)被模糊化處理，而且該模糊化處理為不可逆的，因此在上傳過(guò)程中不會(huì)存在隱私泄露的風(fēng)險(xiǎn)。
[0065]云計(jì)算平臺(tái)在收到由第一服務(wù)器上傳的非公開人臉數(shù)據(jù)后，雖然此時(shí)非公開人臉數(shù)據(jù)已經(jīng)被第一服務(wù)器進(jìn)行了模糊化處理，然而第一服務(wù)器在對(duì)非公開人臉數(shù)據(jù)進(jìn)行模糊化處理時(shí)所采用的圖像變換參數(shù)，是從第一服務(wù)器訓(xùn)練出的多層卷積神經(jīng)網(wǎng)絡(luò)的前兩個(gè)基層中提取出來(lái)的，因此云計(jì)算平臺(tái)仍然可以將接收到的經(jīng)過(guò)模糊化處理后的非公開人臉數(shù)據(jù)作為一個(gè)基層繼續(xù)進(jìn)行訓(xùn)練，完成剩余的C2和S2層的訓(xùn)練，并最終訓(xùn)練出人臉識(shí)別模型。其中，C2和S2層的訓(xùn)練過(guò)程與Cl和SI層的訓(xùn)練過(guò)程相同，詳細(xì)訓(xùn)練過(guò)程本領(lǐng)域技術(shù)人員也可以參考現(xiàn)有技術(shù)中的介紹，本實(shí)施例中不再進(jìn)行詳述
[0066]當(dāng)然，云計(jì)算平臺(tái)在進(jìn)行多層卷積神經(jīng)網(wǎng)絡(luò)時(shí)，也可以將接收到的經(jīng)過(guò)模糊化處理的非公開人臉數(shù)據(jù)作為輸入數(shù)據(jù)，在本地重新進(jìn)行多層卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。例如，云計(jì)算平臺(tái)可以將接收到的所述非公開人臉數(shù)據(jù)作為輸入數(shù)據(jù)，在本地重新訓(xùn)練出多層卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練Cl、S1、C2和S2層，在本實(shí)施例中不進(jìn)行特別限定。
[0067]在以上描述中，以所述多層神經(jīng)網(wǎng)絡(luò)為多層卷積神經(jīng)網(wǎng)絡(luò)為例對(duì)本申請(qǐng)的技術(shù)方案進(jìn)行了詳細(xì)描述，當(dāng)然在具體實(shí)現(xiàn)時(shí)，所述多層神經(jīng)網(wǎng)絡(luò)也可以為其它類型的多層神經(jīng)網(wǎng)絡(luò)，例如BP (Back Propagat1n，反向傳播)神經(jīng)網(wǎng)絡(luò)，在本實(shí)施例中僅以所述多層神經(jīng)網(wǎng)絡(luò)為多層卷積神經(jīng)網(wǎng)絡(luò)為示例性描述，并不用于限定本發(fā)明。
[0068]通過(guò)以上描述可知，本申請(qǐng)通過(guò)針對(duì)公開人臉數(shù)據(jù)集進(jìn)行多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并訓(xùn)練出至少一個(gè)基層，然后從訓(xùn)練出的所述至少一個(gè)基層中提取圖像變換參數(shù)對(duì)非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理，并將模糊化處理后的非公開人臉數(shù)據(jù)集上傳給服務(wù)端，由服務(wù)端完成剩余基層的訓(xùn)練。由于對(duì)非公開人臉數(shù)據(jù)進(jìn)行的模糊化處理為不可逆的，而且模糊化處理后的人臉數(shù)據(jù)用戶肉眼無(wú)法進(jìn)行分辨，因此在對(duì)非公開人臉數(shù)據(jù)進(jìn)行上傳的過(guò)程中，排除了泄密風(fēng)險(xiǎn)。
[0069]另外，由于對(duì)非公開人臉數(shù)據(jù)集進(jìn)行模糊化處理時(shí)所采用的圖像變換參數(shù)是從訓(xùn)練出的多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練的至少一個(gè)基層中提取出來(lái)的，因此對(duì)于模糊化處理后的非公開人臉數(shù)據(jù)集，仍然可以作為多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)的一個(gè)基層由服務(wù)端繼續(xù)進(jìn)行訓(xùn)練。
[0070]與上述方法實(shí)施例相對(duì)應(yīng)，本申請(qǐng)還提供了裝置的實(shí)施例。
[0071]請(qǐng)參見圖3，本申請(qǐng)?zhí)岢鲆环N人臉識(shí)別模型的訓(xùn)練裝置30，應(yīng)用于服務(wù)器。其中，請(qǐng)參見圖4，作為承載所述人臉識(shí)別模型的訓(xùn)練裝置30的服務(wù)器所涉及的硬件架構(gòu)中，通常包括CPU、內(nèi)存、非易失性存儲(chǔ)器、網(wǎng)絡(luò)接口以及內(nèi)部總線等；以軟件實(shí)現(xiàn)為例，所述人臉識(shí)別模型的訓(xùn)練裝置30通?？梢岳斫鉃榧虞d在內(nèi)存中的計(jì)算機(jī)程序，通過(guò)CPU運(yùn)行之后形成的軟硬件相結(jié)合的邏輯裝置，所述裝置30包括:
[0072]訓(xùn)練模塊301，用于基于公開人臉數(shù)據(jù)集進(jìn)行多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并訓(xùn)練出至少一個(gè)基層；
[0073]提取模塊302，用于從所述至少一個(gè)基層中提取圖像變換參數(shù)；
[0074]處理模塊303，用于根據(jù)提取到的圖像變換參數(shù)對(duì)非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理；
[0075]上傳模塊304，用于將模糊化處理后的非公開人臉數(shù)據(jù)集上傳到服務(wù)端，由所述服務(wù)端完成所述多層神經(jīng)網(wǎng)絡(luò)剩余基層的訓(xùn)練。
[0076]在本實(shí)施例中，所述多層神經(jīng)網(wǎng)絡(luò)為多層卷積神經(jīng)網(wǎng)絡(luò)；所述服務(wù)端為云計(jì)算平臺(tái)。
[0077]在本實(shí)施例中，所述提取模塊302具體用于:
[0078]提取所述至少一個(gè)網(wǎng)絡(luò)層中的特征映射圖；
[0079]將提取出的特征映射圖作為圖像變換參數(shù)進(jìn)行輸出。
[0080]在本實(shí)施例中，所述處理模塊303具體用于:
[0081]將所述圖像變換參數(shù)作為卷積核與所述非公開人臉數(shù)據(jù)集進(jìn)行卷積計(jì)算，以對(duì)所述非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理。
[0082]本申請(qǐng)還提供了一種人臉識(shí)別模型的訓(xùn)練裝置的實(shí)施例。
[0083]該裝置包括:
[0084]處理器；用于存儲(chǔ)所述處理器可執(zhí)行指令的存儲(chǔ)器；
[0085]進(jìn)一步，該裝置還可以包括輸入/輸出接口，網(wǎng)絡(luò)接口，各種硬件等。
[0086]其中，所述處理器被配置為:
[0087]基于公開人臉數(shù)據(jù)集進(jìn)行多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并訓(xùn)練出至少一個(gè)基層；
[0088]從所述至少一個(gè)基層中提取圖像變換參數(shù)；
[0089]根據(jù)提取到的圖像變換參數(shù)對(duì)非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理；
[0090]將模糊化處理后的非公開人臉數(shù)據(jù)集上傳到服務(wù)端，由所述服務(wù)端完成所述多層神經(jīng)網(wǎng)絡(luò)剩余基層的訓(xùn)練。
[0091]本領(lǐng)域技術(shù)人員在考慮說(shuō)明書及實(shí)踐這里公開的發(fā)明后，將容易想到本申請(qǐng)的其它實(shí)施方案。本申請(qǐng)旨在涵蓋本申請(qǐng)的任何變型、用途或者適應(yīng)性變化，這些變型、用途或者適應(yīng)性變化遵循本申請(qǐng)的一般性原理并包括本申請(qǐng)未公開的本技術(shù)領(lǐng)域中的公知常識(shí)或慣用技術(shù)手段。說(shuō)明書和實(shí)施例僅被視為示例性的，本申請(qǐng)的真正范圍和精神由下面的權(quán)利要求指出。
[0092]應(yīng)當(dāng)理解的是，本申請(qǐng)并不局限于上面已經(jīng)描述并在附圖中示出的精確結(jié)構(gòu)，并且可以在不脫離其范圍進(jìn)行各種修改和改變。本申請(qǐng)的范圍僅由所附的權(quán)利要求來(lái)限制。
[0093]以上所述僅為本申請(qǐng)的較佳實(shí)施例而已，并不用以限制本申請(qǐng)，凡在本申請(qǐng)的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本申請(qǐng)保護(hù)的范圍之內(nèi)。
【主權(quán)項(xiàng)】
1.一種人臉識(shí)別模型的訓(xùn)練方法，其特征在于，該方法包括: 基于公開人臉數(shù)據(jù)集進(jìn)行多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并訓(xùn)練出至少一個(gè)基層； 從所述至少一個(gè)基層中提取圖像變換參數(shù)； 根據(jù)提取到的圖像變換參數(shù)對(duì)非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理； 將模糊化處理后的非公開人臉數(shù)據(jù)集上傳到服務(wù)端，由所述服務(wù)端完成所述多層神經(jīng)網(wǎng)絡(luò)剩余基層的訓(xùn)練。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述多層神經(jīng)網(wǎng)絡(luò)包括多層卷積神經(jīng)網(wǎng)絡(luò)。3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述服務(wù)端包括云計(jì)算平臺(tái)。4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述從所述至少一個(gè)網(wǎng)絡(luò)層中提取圖像變換參數(shù)包括: 提取所述至少一個(gè)網(wǎng)絡(luò)層中的特征映射圖； 將提取出的特征映射圖作為圖像變換參數(shù)進(jìn)行輸出。5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)提取到的圖像變換參數(shù)對(duì)非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理包括: 將所述圖像變換參數(shù)作為卷積核與所述非公開人臉數(shù)據(jù)集進(jìn)行卷積計(jì)算，以對(duì)所述非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理。6.一種人臉識(shí)別模型的訓(xùn)練裝置，其特征在于，該裝置包括: 訓(xùn)練模塊，用于基于公開人臉數(shù)據(jù)集進(jìn)行多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并訓(xùn)練出至少一個(gè)基層； 提取模塊，用于從所述至少一個(gè)基層中提取圖像變換參數(shù)； 處理模塊，用于根據(jù)提取到的圖像變換參數(shù)對(duì)非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理； 上傳模塊，用于將模糊化處理后的非公開人臉數(shù)據(jù)集上傳到服務(wù)端，由所述服務(wù)端完成所述多層神經(jīng)網(wǎng)絡(luò)剩余基層的訓(xùn)練。7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述多層神經(jīng)網(wǎng)絡(luò)包括多層卷積神經(jīng)網(wǎng)絡(luò)；所述服務(wù)端包括云計(jì)算平臺(tái)。8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述提取模塊具體用于: 提取所述至少一個(gè)網(wǎng)絡(luò)層中的特征映射圖； 將提取出的特征映射圖作為圖像變換參數(shù)進(jìn)行輸出。9.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述處理模塊具體用于: 將所述圖像變換參數(shù)作為卷積核與所述非公開人臉數(shù)據(jù)集進(jìn)行卷積計(jì)算，以對(duì)所述非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理。10.一種人臉識(shí)別模型的訓(xùn)練裝置，其特征在于，包括: 處理器；用于存儲(chǔ)所述處理器可執(zhí)行指令的存儲(chǔ)器； 其中，所述處理器被配置為: 基于公開人臉數(shù)據(jù)集進(jìn)行多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并訓(xùn)練出至少一個(gè)基層； 從所述至少一個(gè)基層中提取圖像變換參數(shù)； 根據(jù)提取到的圖像變換參數(shù)對(duì)非公開人臉數(shù)據(jù)集進(jìn)行不可逆的模糊化處理； 將模糊化處理后的非公開人臉數(shù)據(jù)集上傳到服務(wù)端，由所述服務(wù)端完成所述多層神經(jīng)網(wǎng)絡(luò)剩余基層的訓(xùn)練。
【文檔編號(hào)】G06K9/66GK105868678SQ201510026163
【公開日】2016年8月17日
【申請(qǐng)日】2015年1月19日
【發(fā)明人】李亮
【申請(qǐng)人】阿里巴巴集團(tuán)控股有限公司