[发明专利]一种用于伪装人脸识别的两段式训练方法

权利要求书

1.一种用于伪装人脸识别方法，其特征在于，采用两段式训练，包括如下步骤，

步骤S1、将训练所需使用的数据集进行预处理，获取集Set_F、Set_S，数据集为人脸数据集；

步骤S2、第一阶段，将Set_F作为训练集并使用ArcFace损失函数训练网络；

步骤S3、撤销网络的最后一层全连接层；

步骤S4、第二阶段、将Set_S作为训练集并使用joint损失函数训练网络。

2.根据权利要求1所述的一种用于伪装人脸识别方法，其特征在于，所述第一阶段采用的模型由ResNet50IR残差网络、BatchNorm层与Dropout层、全连接层以及另一个BatchNorm层构成的输出模块、全连接层和Softmax分类层构成的分类模块和ArcFace损失函数构成，所述ResNet50IR残差网络与所述输出模块作为提取特征的骨干网络。

3.根据权利要求2所述的一种用于伪装人脸识别方法，其特征在于，ResNet50IR残差网络在50层ResNet的基础上使用残差单元，残差单元为BatchNorm-卷积-BatchNorm-PRelu-卷积-BatchNorm的6层复合结构，输出大小由第5层卷积层的步长决定；步长为1时，输出与输入的尺寸相同；步长为2时，输出的尺寸为输入的一半；ResNet50IR残差网络由一个Input和4个卷积模块构成，4个卷积模块分别有3、4、14、3个残差单元，每个卷积模块的第一个残差单元负责降低输出的维度，输出模块的Dropout层的参数为0.5，全连接层输出为512维的向量，再经过一个BatchNorm层后得到最终的特征向量v。

4.根据权利要求3所述的一种用于伪装人脸识别方法，其特征在于，特征向量V输入全连接层前需经归一化处理，使||v||＝1；全连接层权重的维度根据训练集的标签类别数而定，当类别数为P时，权重矩阵w维度为D*P，使MS-Celeb-1M数据集作为训练集时，P为85K，D是特征向量V的长度，长度为512；将全连接层的偏置量b置零及w的每一列归一化，则全连接层的输出向量为w_i为权重矩阵W的第i列。

5.根据权利要求1或2所述的一种用于伪装人脸识别方法，其特征在于，使用ArcFace损失函数训练网络，函数公式为其中，超参数s与m分别为64与0.5，θ_j，i为第i个输入所产生的特征向量v_i与权重向量w_j的夹角，y_i为v_i所对应的正确的标签值。

6.根据权利要求1所述的一种用于伪装人脸识别方法，其特征在于，第二阶段的模型由特征提取网络与Joint损失函数构成，特征提取网络为第一阶段的骨干网络，Joint损失函数公式为

公式中，前部分为Triplet损失，后部分为Pair损失；f(x_i)为经过归一化处理后的特征提取网络输出的特征向量v_i，f(x₁)，f(x₂)为特征向量的向量积，即向量v₁与v₂的夹角余弦值，参数α与λ均为正值。

7.根据权利要求1所述的一种用于伪装人脸识别方法，其特征在于，所述第二阶段的训练集为DFW数据集的训练集，训练前需要进行三元组的配对，首先选取一张Normal图像作为再选取与Normal同目录下的Validation或者Disguised作为最后选取与Normal同目录下的Impersonator作为

8.根据权利要求7所述的一种用于伪装人脸识别方法，其特征在于，DFW数据集中同目录下的图片分为四种类型Normal、Validation、Disguised和Impersonator，其中，Normal、Validation和Disguised为同一个人，Impersonator与前三种为长相相近的不同人。