[发明专利]一种基于深度学习的人脸识别和人脸验证的监督学习方法

权利要求书

1.一种基于深度学习的人脸识别和人脸验证的监督学习方法，其特征在于，所述方法包括以下步骤：

对卷积神经网络模型的全连接层输出特征使用柔性最大值损失函数增大类间距离，通过中心损失函数为每一类的深度特征学习一个中心，通过超参平衡两函数以此联合监督学习特征；

计算卷积神经网络模型的后向传播，采用基于最小批量处理的随机梯度下降法对卷积神经网络模型进行优化，更新权重矩阵、以及每一类的深度特征中心；

对深度特征进行主成分分析降维后计算两两特征之间的余弦距离来计算所得分数，所述分数用于最近邻和阈值比较中的目标匹配，对人脸进行识别和验证。

2.根据权利要求1所述的一种基于深度学习的人脸识别和人脸验证的监督学习方法，其特征在于，所述卷积神经网络模型具体为：

在卷积层和局部卷积层的特征提取器大小为3×3，步长为1，后面都接有非线性单元；

三个局部卷积层的权重分别在4×4、2×2和1×1大小的区域内共享；

最大池化区域为2×2，步长为2；

第四层池化层的输出和第三层局部卷积层的输出串联作为第一个全连接层的输入，全连接层的输出维度为512。

3.根据权利要求1所述的一种基于深度学习的人脸识别和人脸验证的监督学习方法，其特征在于，所述通过超参平衡两函数以此联合监督学习特征步骤具体为：

其中，L表示联合监督损失函数；L_S表示柔性最大值损失函数；L_C表示中心损失函数；λ表示标量；m和n分别表示最小批量处理和类的数量；x_i∈R^d表示第i个深度特征，属于第y_i类；表示深度特征的第y_i类的中心，并随着深度特征的改变而更新；W_j∈R^d表示最后一层全连接层权重矩阵W∈R^d×n的第j列；b_j表示最后一层全连接层偏差b的第j列；表示W的第y_i列；表示b的第y_i列；T表示转置。