[发明专利]基于深度学习的人脸识别网络训练方法、设备及存储介质

权利要求书

1.一种基于深度学习的人脸识别网络训练方法，其特征在于包括：

将所有图像做人脸对齐操作，制作训练数据；

根据训练数据进行卷积神经网络训练，得到卷积神经网络的代价函数J；

对上述代价函数J通过类内相似度J₁、类间相似度J₂进行参数修正，得到总误差函数Js＝J+γJ₁-θJ₂；

通过代价函数J的残差值、类内相似度J₁的残差值和类间相似度J₂的残差值求偏导后反向传播，卷积神经网络中每一层的权值参数的得到更新；然后正向传播过程中，分别对应卷积神经网络中代价函数J、类内相似度J₁、类间相似度J₂的更新收敛；当总误差函数Js满足收敛条件，则完成卷积神经网络训练。

2.根据权利要求1所述的网络训练方法，其特征在于所述类内相似度J₁的残差值计算过程为：

其中设m样本组成的样本集为{(x⁽¹⁾,y⁽¹⁾),…,(x^(m),y^(m))}，m为所有待输入样本的数量，它们分属于n个类别每个类别对应的相同数量的样本，即每个类别有m/n个样本；h_W,b(x^(k,a))是从属于α类的第k个样本计算得到的卷积神经网络最后一层的输出，M^(a)为第α类样本的均值，α属于n，k范围1到m/n。

3.根据权利要求1所述的网络训练方法，其特征在于所述类间相似度J₂的残差值计算过程：

其中，h_W,b(x^(k,β))是从属于β类的第k个样本计算得到的卷积神经网络最后一层的输出，M^(β)分别为第β类样本的均值，β属于n。

4.根据权利要求1所述的网络训练方法，其特征在于所述代价函数J的残差值

5.基于权利要求1至4之一所述训练方法的人脸识别方法，其特征在于还包括：

待识别图像输入到训练好的卷积神经网络进行人脸图像识别。

6.一种存储介质，其中存储有多条指令，所述指令适用于由处理器加载并执行如权利要求1至4任意一项所述的网络训练方法的步骤。

7.一种存储介质，其中存储有多条指令，所述指令适用于由处理器加载并执行如权利要求5述的人脸识别方法的步骤。

8.一种基于深度学习的人脸识别网络训练设备，其特征在于包括处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行上述权利要求1至4任意一项所述的网络训练方法。

9.一种人脸识别设备，其特征在于包括处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行上述权利要求5任意一项所述的人脸识别方法。