[发明专利]一种可见光手掌识别模型的训练方法和装置

权利要求书

1.一种可见光手掌识别模型的训练方法，其特征在于，包括：

对有标签可见光手掌数据集进行数据扩增，将扩增后的所述可见光手掌数据集中的手掌图像和对应的标签输入至第一卷积神经网络进行特征提取；

基于提取的特征向量和所述标签，通过第一损失函数计算网络损失，基于所述网络损失更新所述第一卷积神经网络的参数，直至所述第一卷积神经网络收敛，得到训练好的第一卷积神经网络；

将通过预置对抗生成网络生成的无标签可见光手掌数据集中的手掌图像输入至所述训练好的第一卷积神经网络进行软标签预测，得到软标签可见光手掌数据集，所述预置对抗生成网络通过有标签可见光手掌数据集训练得到；

结合扩增后的所述有标签可见光手掌数据集和所述软标签可见光手掌数据集训练第二卷积神经网络，通过第二损失函数计算得到的网络损失更新所述第二卷积神经网络的参数，直至所述第二卷积神经网络收敛，得到可见光手掌识别模型；

其中，所述第一损失函数具体为：

式中：为第一损失函数，为特征向量与第个类别中心的夹角，i为批随机梯度下降时批中的第i个索引，为特征向量与第j个类别中心的夹角，n为分类的类别总数量，m为需要优化的不同类别特征之间的间隔；其中，第一损失函数的输入为手掌图像对应的特征向量和各类别中心的余弦夹角，输出度量学习的分类损失，将定义为logit，当未输入标签时，第一损失函数返回m=0时的logit；

其中，第二损失函数具体为：

式中：为第二损失函数，为第一损失函数，为软标签的损失函数；

其中，软标签的损失函数具体为：

式中：为软标签的损失函数，x为输入的手掌图像，X为结合扩增后的有标签可见光手掌数据集和软标签可见光手掌数据集得到的大规模可见光手掌数据集；logit_target为手掌图像x的软标签；logit_student为第二卷积神经网络提取手掌图像x的特征向量输入第一损失函数，在第一损失函数的参数m=0时计算得到的输出。

2.根据权利要求1所述的可见光手掌识别模型的训练方法，其特征在于，所述预置对抗生成网络包括鉴别器和生成器，所述预置对抗生成网络的配置过程为：

每训练一次所述鉴别器后，训练一次所述生成器，直至所述对抗生成网络收敛，得到所述预置对抗生成网络。

3.根据权利要求2所述的可见光手掌识别模型的训练方法，其特征在于，所述鉴别器的训练过程，包括：

将所述有标签可见光手掌数据集中的若干张真实的手掌图像和若干张假手掌图像分别输入至所述鉴别器，输出所述真实的手掌图像的分数和所述假手掌图像的分数，所述假手掌图像通过所述生成器生成；

基于所述真实的手掌图像的分数和所述假手掌图像的分数，通过真假图像分类损失函数计算真假图像分类损失；

计算所述真假图像分类损失相对于鉴别器参数的梯度，并基于梯度下降法更新所述鉴别器参数。

4.根据权利要求3所述的可见光手掌识别模型的训练方法，其特征在于，所述鉴别器的训练过程，还包括：

每训练第一预置次数的所述鉴别器后，通过梯度正则化损失函数计算所述真实的手掌图像的梯度正则化损失；

计算所述梯度正则化损失相对于所述鉴别器参数的梯度，并基于梯度下降法更新所述鉴别器参数。

5.根据权利要求2所述的可见光手掌识别模型的训练方法，其特征在于，所述生成器的训练过程，包括：

将获取的噪声数据输入所述生成器，输出假手掌图像；

根据所述假手掌图像的分数，通过非饱和分类损失函数计算非饱和分类损失，所述假手掌图像的分数通过所述鉴别器得到；

计算所述非饱和分类损失相对于生成器参数的梯度，并基于梯度下降法更新所述生成器参数。