[发明专利]神经网络的训练方法、电子设备、存储介质

权利要求书

1.一种用于人脸优选的神经网络的训练方法，其特征在于，包括：

将带标签的训练人脸序列输入待训练的神经网络，得到所述训练人脸序列的输出结果，其中所述标签包括所述训练人脸序列的已知质量分数序列和已知类别列表，所述训练人脸序列的已知质量分数序列包括所述训练人脸序列中每张人脸图像的已知质量分数且排序与所述训练人脸序列相同，所述已知类别列表包括所述训练人脸序列中每张所述人脸图像的已知类别且排序与所述训练人脸序列相同，所述输出结果包括预测质量分数序列和预测类别列表，所述预测质量分数序列包括所述训练人脸序列中每张人脸图像的预测质量分数且排序与所述训练人脸序列相同，所述预测类别列表包括所述训练人脸序列中每张所述人脸图像的预测类别且排序与所述训练人脸序列相同；

分别对所述预测质量分数序列、所述已知质量分数序列进行回归处理，对应得到第一概率分布和第二概率分布，以及分别对所述已知类别列表、所述预测类别列表进行回归处理；

利用所述第一概率分布与第二概率分布得到第一损失函数，以及利用回归处理后的所述预测类别列表与回归处理后的所述已知类别列表得到第二损失函数，利用所述第一损失函数和所述第二损失函数得到损失函数；

调整所述神经网络的参数以缩小所述损失函数；

重复执行上述过程直至满足预设的停止训练的条件。

2.根据权利要求1所述的方法，其特征在于，所述利用所述第一损失函数和所述第二损失函数得到损失函数，包括：

将所述第一损失函数和所述第二损失函数相加得到所述损失函数。

3.根据权利要求2所述的方法，其特征在于，所述第一损失函数为序列交叉熵函数，所述第二损失函数为分类交叉熵函数。

4.根据权利要求1所述的方法，其特征在于，所述将带标签的训练人脸序列输入待训练的神经网络之前，包括：

获取视频中的所述训练人脸序列；

将所述训练人脸序列中的所述人脸图像和样本图像输入预先训练好的深度学习网络，得到所述人脸序列中每张所述人脸图像和所述样本图像的特征相似度，并将所述特征相似度作为所述人脸图像的已知质量分数。

5.根据权利要求4所述的方法，其特征在于，所述将所述训练人脸序列和样本图像输入预先训练好的深度学习网络，得到所述每张人脸图像和所述样本图像的特征相似度，并将所述特征相似度作为所述人脸图像的已知质量分数包括：

分别将所述训练人脸序列中人脸图像和样本图像输入预先训练好的至少两种所述深度学习网络，得到所述每张人脸图像和所述样本图像的至少两个特征相似度；

计算所述每张人脸图像和所述样本图像的至少两个特征相似度的平均值，并将所述至少两个特征相似度的平均值作为所述人脸图像的已知质量分数。

6.根据权利要求5所述的方法，其特征在于，所述预先训练好的深度学习网络至少为VGG网络、DeepID网络、FaceNet网络、MobileNet网络中的两种。

7.一种神经网络的人脸图像打分方法，其特征在于，包括：

将人脸序列输入神经网络，得到排序后的人脸序列及所述人脸序列中每张人脸图像的质量分数，排序后的所述人脸序列中每张人脸图像按照质量分数大小排序，其中，所述神经网络是利用权利要求1-6中任一项所述的方法训练得到的。

8.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，

所述处理器用于执行所述存储器存储的计算机指令以实现如权利要求1-7中任一项所述的方法。

9.一种存储介质，存储有指令，其特征在于，所述指令被执行时实现如权利要求1-7中任一项所述的方法。