[发明专利]一种跨域网络训练及图像识别方法

说明书

本发明涉及一种跨域网络训练及图像识别方法，该跨域网络训练包括：S1，向深度神经网络输入第一域和第二域的样本数据，对所述第一域和第二域的样本数据进行训练，使得在所述深度神经网络在第一域与第二域上各自具有分类能力；S2：消除域间统计分布差异，使得第一域和第二域具有相近的统计分布特性；S3：对第一域和第二域进行加强内聚集的训练；S4：对符合预设条件的训练结果进行保存。实施本发明，即使在数据具有不同统计分布特性的情况下，也能够正确的识别出来。

技术领域

本发明涉及人工智能领域，具体的，涉及一种跨域网络训练及图像识别方法。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。

现有人脸识别算法大多可以解决单域人脸识别(即待识别图像和训练样本图像具有相同的统计分布特性)问题，例如，使用视频作为训练样本，然后对训练好的网络识别其他视频中的人脸。Florian Schroff等人提出的Facenet算法是目前效果较好的单域人脸识别算法，同时作者也给出了相应的单域数据训练方法。

但在实际应用场最下，监控摄像头拍摄视频中提取出的人脸照片具有十分复杂的光照、角度、分辨率和表情等变化因素，这使得待识别图像与训练样本图像具有差异巨大的统计分布特性，即跨域识别问题。目前的人工智能网络很难对跨域的图像实现准确的识别。

发明内容

本发明的目的在于，针对现有的图像识别方法无法对跨域的场景实现准确的识别的缺陷，提供一种新的跨域图像识别方法，以克服目前的图像识别技术在跨域识别的场最中准确性差的问题。

本发明的一个方面提供一种跨域网络训练方法，包括以下步骤：

S1：向深度神经网络输入第一域和第二域的样本数据，对第一域和第二域的样本数据进行训练，使得在深度神经网络在第一域与第二域上各自具有分类能力；

S2：消除域间统计分布差异，使得第一域和第二域具有相近的统计分布特性；

S3：对第一域和第二域进行加强内聚集的训练；

S4：对符合预设条件的训练结果进行保存。

较佳的，步骤S1中对第一域和第二域的样本数据进行训练包括：对第一域和第二域的样本数据进行损失函数Triplet-Loss的训练。

较佳的，步骤S2包括：当损失函数Triplet-Loss稳定且满足收敛时，用第一域和第二域的最高维度特征计算最大均值差异损失MMD-Loss，并将结果加入合成损失函数，共同进行反向传播和梯度求导。

较佳的，步骤S3包括：将合成损失函数中的MMD-Loss去除，并加入第一域和第二域的混合Triplet-Loss，进行加强内聚集的训练。

较佳的，，步骤S4包括：当加强内聚集的训练的合成损失函数收敛且小于设定值时，对训练结果进行保存。

较佳的，步骤S1中，进行损失函数Triplet-Loss的训练还包括：设置第一学习率，第一学习率初始值为0.001至0.01，每10轮进行损失函数Triplet-Loss的训练，将第一学习率设置为0.7至0.9倍。

较佳的，步骤S2中，设置第二学习率，第二学习率的初始值小于第一学习率的初始值，每10轮进行加强内聚集的训练，将第二学习率设置为0.7至0.9倍。

较佳的，第二学习率初始值为0.0001至0.001。

较佳的，步骤S3中，设置第三学习率，第三学习率的初始值小于第一学习率的初始值，每5轮进行加强内聚集的训练，将第三学习率设置为0.7至0.9倍。