[发明专利]一种核身模型的迭代方法和装置

说明书

本发明提供一种核身模型的迭代方法及装置，该核身模型的迭代方法包括：对接收的数据进行脱敏处理，在所述脱敏处理后的数据中提取和筛选特征数据；依据所述核身模型的状态，在所述特征数据中选取超参数，对所述核身模型进行训练；评估训练后的核身模型，并在评估合格后，将所述迭代后的核身模型上线。克服了因时间不同，测试数据的分布与训练数据的分布发生变化，导致因为数据的变化影响深度学习算法的性能；同时也克服了因场景不同，测试数据的分布与训练数据的分布发生变化，导致因为数据的变化影响深度学习算法的性能；本发明提供的方法使得更新后的模型可以适配各个场景，发挥了算法的极致性能，提高了该算法的核身验证的精准度。

技术领域

本发明涉及计算机技术领域，尤其涉及一种核身模型的迭代方法和装置。

背景技术

目前核身系统，例如常用的人脸识别系统包含人脸检测、人脸校准、人脸比对等多个模块。在这些模块中，几乎所有的算法都由深度学习模型来实现。深度学习是由数据驱动的学习算法，即当测试数据的分布与训练数据的分布接近时，深度学习算法的性能表现会更佳。

在实际应用中，随着算法应用场景的不同，测试数据的分布会与训练数据的分布形成或大或小的差距，进而影响算法的实际性能。另一方面，随着时间的推移，即使是同一场景，测试数据的分布与训练数据的分布也会发生变化，这就导致因为数据的变化影响深度学习算法的性能，进而影响了人脸识别系统的精确性。

发明内容

本发明的一个目的是提供一种核身模型的迭代方法和装置，以解决现有的因场景或时间不同，测试数据的分布与训练数据的分布形成差距，导致模型校验不精确的问题。

根据本发明的第一方面，提供一种核身模型的迭代方法，包括：

对接收的数据进行脱敏处理，在所述脱敏处理后的数据中提取和筛选特征数据；

依据所述核身模型的状态，在所述特征数据中选取超参数，对所述核身模型进行训练；

评估训练后的核身模型，并在评估合格后，将所述迭代后的核身模型上线。

进一步，本发明所述的方法，在对接收的数据进行脱敏处理后，所述方法还包括：在对接收的数据进行脱敏处理后进行计时，当计时的时间大于等于预设的回流时间间隔时，判断当前的业务是否处于空闲状态；

若是，则进行数据回流，以执行在所述脱敏处理后的数据中提取和筛选特征数据的步骤。

进一步，本发明所述的方法，所述在所述脱敏处理后的数据中提取和筛选特征数据，包括：

对所述脱敏处理后的数据进行再处理；

提取所述再处理后的特征数据；

对所述再处理后的特征数据进行后处理，将异常特征数据进行滤除，得到训练样本。

进一步，本发明所述的方法，所述依据所述核身模型的状态，在所述特征数据中选取超参数，对所述核身模型进行训练，包括：

依据所述核身模型的状态，在所述训练样本中选取超参数，对所述核身模型进行训练。

进一步，本发明所述的方法，对所述再处理后的特征数据进行后处理，将异常特征数据进行滤除，得到训练样本，包括：

采用聚类算法，将远离聚类中心预设距离的数据作为异常特征数据，进行滤除；

依据预设样本挑选策略，对滤除异常特征数据后的数据进行采样，得到训练样本。

进一步，本发明所述的方法，所述评估训练后的核身模型，包括：

依据算法评测集和算法精度指标，评估训练后的核身模型。

进一步，本发明所述的方法，所述对所述脱敏处理后的数据进行再处理，包括：