[发明专利]网络训练、识别方法及装置、电子设备和存储介质

说明书

本公开涉及一种网络训练、识别方法及装置、电子设备和存储介质，所述网络训练方法包括：采用待训练的特征提取网络，提取目标样本图片的特征；获取所述目标样本图片对应的正特征和负特征，其中，所述正特征表示正样本的特征，所述负特征表示负样本的特征，所述正样本表示对应标签与所述目标样本图片的标签相同的其他样本图片，所述负样本表示对应标签与所述目标样本图片的标签不同的样本图片；根据所述目标样本图片的特征、所述目标样本图片对应的正特征和负特征，确定损失函数值；基于所述损失函数值更新所述特征提取网络的参数。本公开实施例可节省计算资源。

技术领域

本公开涉及计算机技术领域，尤其涉及一种网络训练、识别方法及装置、电子设备和存储介质。

背景技术

随着深度学习的推广，人脸识别技术得到很大的提升。相关技术中，人脸识别技术需要依靠在人脸数据集上进行训练以获得一个能够提取强判别特征的模型。在训练一个人脸特征提取网络的过程中，随着训练过程中采用的人脸数据集的规模不断增大，所需要的计算资源也会线性增长。人脸数据集经常会涉及超过百万级的个体数，这使得训练一个人脸识别的模型所需要的资源大大增长，尤其是显存等相对价值高的计算资源。

发明内容

本公开提出了一种网络训练、识别方法及装置、电子设备和存储介质。

根据本公开的第一方面，提供了一种网络训练方法，包括：

采用待训练的特征提取网络，提取目标样本图片的特征；

获取所述目标样本图片对应的正特征和负特征，其中，所述正特征表示正样本的特征，所述负特征表示负样本的特征，所述正样本表示对应标签与所述目标样本图片的标签相同的其他样本图片，所述负样本表示对应标签与所述目标样本图片的标签不同的样本图片；

根据所述目标样本图片的特征、所述目标样本图片对应的正特征和负特征，确定损失函数值；

基于所述损失函数值更新所述特征提取网络的参数。

结合第一方面，在一种可能的实现方式中，获取所述目标样本图片对应的正特征和负特征，包括：

将第一特征集合中对应标签与所述目标样本图片的标签相同的标签特征，确定为所述目标样本图片对应的正特征；

将第二特征集合中对应标签与所述目标样本图片的标签不同的特征，确定为所述目标样本图片对应的负特征。

从第一特征集合和第二特征集合中分别获取正特征和负特征，可以使得每个目标样本图片均存在能够代表其对应标签特征的正特征，以及每个目标样本图片可以选取到所有可能的负特征。

结合第一方面，在一种可能的实现方式中，样本集合中包含针对每个标签的样本图片，每个标签对应至少一个样本图片，所述方法还包括：

采用所述待训练的特征提取网络，提取所述样本集合中的每个所述样本图片的特征；

根据所提取的特征，确定每个标签对应的标签特征；

基于所有标签对应的标签特征，构建所述第一特征集合。

通过基于样本集合中所有标签对应的标签特征构建第一特征集合，可以使得第一特征集合中，每个标签有且仅有一个标签特征。

结合第一方面，在一种可能的实现方式中，根据所提取的特征，确定每个标签对应的标签特征，包括：

在标签对应一个样本图片的情况下，将所述标签对应的样本图片的特征确定为所述标签对应的标签特征；

和/或，

在标签对应多个样本图片的情况下，将所述标签对应的多个样本图片的特征的平均量确定为所述标签的标签特征。

这样，可以使得每个标签都存在一个标签特征。