[发明专利]一种联合性别属性训练的人脸识别网络模型构建方法

权利要求书

1.一种联合性别属性训练的人脸识别网络模型构建方法，其特征在于，包括以下步骤：

从前至后按卷积层、批正则化层、参数修正线性单元层和挤压激活单元模块的顺序封装成残差块，并以预设的数量复制依次排布；

从前至后按照卷积层、批正则化层、参数修正线性单元层、数个残差块的顺序依次堆叠，得到网络块；复制并依次排布网络块，以构成主干特征提取网络结构；

在所述主干特征提取网络结构添加随机失活层，并在尾端加入并行分支的标准全连接层和带正则化的全连接层，得到网络结构模型；

分别求得标准全连接层和带正则化的全连接层的输出值的总损失值；

采用带动量的随机梯度下降法优化网络结构模型参数；

设定迭代次数，并重复总损失值计算和网络结构模型参数优化，直至获得最优的人脸识别网络模型，所述人脸识别网络模型由4个网络块依次堆叠构成；所述网络块中包含的残差块数量依次为2、4、8、2，且人脸识别网络模型包含36层卷积层，所述采用带动量的随机梯度下降法优化网络结构模型参数，包括以下步骤：

设定学习率为0.01，并采用预热余弦学习率下降调整目标函数的收敛程度；

设定随机梯度下降法的动量参数为0.9；

网络结构进行一次前馈传播计算出总损失值；

采用带动量的随机梯度下降法优化网络参数，重复计算总损失值，直至损失值收敛得到最优解，

所述分别求得标准全连接层和带正则化的全连接层的输出值的总损失值，包括以下步骤：

采用柔性最大值损失函数求得标准全连接层分支的输出值的第一损失值；

采用附加间隔的柔性最大值损失函数求得带正则化的全连接层分支的输出值的第二损失值；

将第一损失值与第二损失值按比例求和，得到输出值的总损失值，

所述总损失值对应的损失函数推导过程如下：

所述柔性最大损失函数的表达式如下：

其中，参数N表示批处理样本的大小，n表示类数，x_i表示第i个样本的特征向量，表示真实样本标签y_i对应的网络权重值的转置，表示预测为j类标签对应的网络权重值的转置；

所述附加间隔的柔性最大值损失函数的表达式如下：

其中，s表示缩放因子，m表示距离调节因子，c表示类别的总数；

总损失值对应的损失函数的表达式为：

Loss＝L₂+λL₁

其中，λ表示权重因子，即性别分类分支损失值的量级和加快网络损失值的收敛速度，所述权重因子λ的取值为0.1。

2.根据权利要求1所述的一种联合性别属性训练的人脸识别网络模型构建方法，其特征在于，所述迭代次数为15000次。

3.根据权利要求1所述的一种联合性别属性训练的人脸识别网络模型构建方法，其特征在于，所述缩放因子S取值为40，且距离调节因子m取值为0.4。