[发明专利]聚类用神经网络的训练方法和装置、聚类方法和装置

说明书

本发明实施例公开了一种聚类用神经网络的训练方法和装置、聚类方法和装置，其中，聚类方法包括：分别提取各照片的综合特征，该综合特征包括人脸特征；分别根据各照片的综合特征，获取当前状态下任意两个群组之间的边特征向量，并基于聚类用神经网络，对满足合并条件的边特征向量对应的两个群组进行合并处理，直至所有满足合并条件的群组均被合并，得到聚类结果；其中，每个群组包括至少一张照片，初始状态下各照片分别为一个群组。本发明实施例降低了聚类算法的复杂度，提升了聚类性能。

技术领域

本发明涉及计算机视觉技术，尤其是一种聚类用神经网络的训练方法和装置、聚类方法和装置。

背景技术

当前的智能相册能够基于人脸识别技术对相册中的照片进行自动标记与聚类。由于存在巨大的应用前景，人脸聚类问题在计算机视觉领域一直是一个研究热点。通过人脸聚类，不仅可以让用户根据照片中的人脸整理并标记相册，还可以迅速快捷地提取大量相关照片的信息，甚至通过照片之间的关系分析社交属性。

目前进行人脸聚类使用的传统人脸聚类算法通常是单纯数据驱动的、且是非监督的，它们主要关注寻找一个表现良好的距离度量标准或寻找更有效的人脸特征。例如，Rank-Order distance算法就是利用两张人脸的邻近图片来度量两张人脸的相关性；Jointmanifold distance算法是利用两个子空间的转换难度度量两个子空间相关性；Deeprepresentation算法可以提取更加准确的特征，以此大幅改善聚类性能。除了基于图片的聚类算法，还有基于视频信息的聚类算法，主要利用了一些额外的视频信息来确定视频之间的相关程度。

发明内容

本发明实施例提供一种用于训练聚类用神经网络的技术方案。

根据本发明实施例的一个方面，提供的一种聚类用神经网络的训练方法，包括：

分别提取各照片的综合特征；所述综合特征包括人脸特征，所述各照片标注有类别信息；

分别根据所述各照片的综合特征，获取当前状态下任意两个群组之间的边特征向量，并基于聚类用神经网络，对满足合并条件的边特征向量对应的两个群组进行合并处理，直至所有满足所述合并条件的群组均被合并，得到聚类结果；其中，每个群组包括至少一张照片，初始状态下各照片分别为一个群组；

基于所述各照片标注的类别信息和所述聚类结果，对所述聚类用神经网络进行训练。

根据本发明实施例的另一个方面，提供的一种聚类方法，包括：

分别提取各照片的综合特征；所述综合特征包括人脸特征；

分别根据所述各照片的综合特征，获取当前状态下任意两个群组之间的边特征向量，并基于聚类用神经网络，对满足合并条件的边特征向量对应的两个群组进行合并处理，直至所有满足所述合并条件的群组均被合并，得到聚类结果；其中，每个群组包括至少一张照片，初始状态下各照片分别为一个群组。

根据本发明实施例的又一个方面，提供的一种聚类用神经网络的训练装置，包括：

特征提取模块，用于分别提取各照片的综合特征，所述综合特征包括人脸特征；所述各照片预先标注有类别信息；

获取模块，用于分别根据所述各照片的综合特征，获取当前状态下任意两个群组之间的边特征向量；

聚类用神经网络，用于分别对满足合并条件边特征向量对应的两个群组进行合并处理，直至所有满足所述合并条件的群组均被合并，获得聚类结果；其中，每个群组包括至少一张照片，初始状态下各照片分别为一个群组；

训练模块，用于基于所述各照片标注的类别信息和所述聚类结果，对所述聚类用神经网络进行训练。

根据本发明实施例的再一个方面，提供的一种聚类装置，包括：