[发明专利]人脸识别模型的训练方法及装置有效
| 申请号： | 201910983543.2 | 申请日： | 2015-01-19 |
| 公开（公告）号： | CN110826420B | 公开（公告）日： | 2023-05-16 |
| 发明（设计）人： | 李亮 | 申请（专利权）人： | 创新先进技术有限公司 |
| 主分类号： | G06V40/16 | 分类号： | G06V40/16;G06V10/82;G06N3/0464;G06N3/084 |
| 代理公司： | 北京博思佳知识产权代理有限公司 11415 | 代理人： | 林祥 |
| 地址： | 开曼群岛大开曼岛*** | 国省代码： | 暂无信息 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 识别 模型 训练 方法 装置 | ||
1.一种人脸识别模型的训练方法，其特征在于，该方法包括：
将第一人脸数据集输入多层卷积神经网络进行训练，获得所述多层神经网络的至少一个基层；其中，所述多层卷积神经网络包括特征提取层和特征映射层；所述至少一个基层包括至少一个特征提取层；
从所述至少一个基层中提取图像变换参数；
将所述图像变换参数作为卷积核与第二人脸数据集进行卷积计算；
将卷积计算后的所述第二人脸数据集上传至服务端，由所述服务端将卷积计算后的所述第二人脸数据集继续输入所述多层卷积神经网络进行训练，获得所述多层卷积神经网络的剩余基层。
2.根据权利要求1所述的方法，其特征在于，所述从所述至少一个基层中提取图像变换参数包括：
提取所述至少一个基层中的特征映射图；
将提取出的特征映射图作为图像变换参数进行输出。
3.根据权利要求1所述的方法，其特征在于，所述服务端包括云计算平台。
4.根据权利要求1所述的方法，其特征在于，所述第一人脸数据集为公开人脸数据集；所述第二人脸数据集为非公开人脸数据集。
5.一种人脸识别模型的训练装置，其特征在于，该装置包括：
训练模块，将第一人脸数据集输入多层卷积神经网络进行训练，获得所述多层神经网络的至少一个基层；其中，所述多层卷积神经网络包括特征提取层和特征映射层；所述至少一个基层包括至少一个特征提取层；
提取模块，从所述至少一个基层中提取图像变换参数；
处理模块，将所述图像变换参数作为卷积核与第二人脸数据集进行卷积计算；
上传模块，将卷积计算后的所述第二人脸数据集上传至服务端，由所述服务端将卷积计算后的所述第二人脸数据集继续输入所述多层卷积神经网络进行训练，获得所述多层卷积神经网络的剩余基层。
6.根据权利要求5所述的装置，其特征在于所述提取模块具体用于：
提取所述至少一个基层中的特征映射图；
将提取出的特征映射图作为图像变换参数进行输出。
7.根据权利要求5所述的装置，其特征在于，所述训练模块进一步：
将卷积计算后的所述第二人脸数据集上传至服务端，由所述服务端将卷积计算后的所述第二人脸数据集继续输入所述多层卷积神经网络进行训练，获得所述多层卷积神经网络的剩余基层。
8.根据权利要求5所述的装置，其特征在于，所述第一人脸数据集为公开人脸数据集；所述第二人脸数据集为非公开人脸数据集。
9.一种人脸识别模型的训练装置，其特征在于，包括：
处理器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为：
将第一人脸数据集输入多层卷积神经网络进行训练，获得所述多层神经网络的至少一个基层；其中，所述多层卷积神经网络包括特征提取层和特征映射层；所述至少一个基层包括至少一个特征提取层；
从所述至少一个基层中提取图像变换参数；
将所述图像变换参数作为卷积核与第二人脸数据集进行卷积计算；
将卷积计算后的所述第二人脸数据集上传至服务端，由所述服务端将卷积计算后的所述第二人脸数据集继续输入所述多层卷积神经网络进行训练，获得所述多层卷积神经网络的剩余基层。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于创新先进技术有限公司，未经创新先进技术有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910983543.2/1.html，转载请声明来源钻瓜专利网。
- 上一篇：一种封装结构及显示面板
- 下一篇：一种耐电弧烧蚀、高强度环网柜动刀触头
