[发明专利]人脸识别模型的训练方法、装置和计算机设备

说明书

本申请涉及智能生活技术，揭示了人脸识别模型的训练方法，人脸模型包括特征生成器、人脸识别判别器和域判别器，包括：通过训练集数据训练特征生成器和人脸识别判别器；判断第一损失函数是否收敛；若是则固定特征生成器的参数，通过训练集数据和目标域数据训练域判别器；判断第二损失函数是否收敛；若是则获取训练域判别器的训练过程对应的第一梯度值；将第一梯度值变更为与第一梯度值相等的负值，成为第一梯度值的第一反向梯度值；在固定域判别器的参数下，通过训练集数据和目标域数据再次训练特征生成器，并将第一反向梯度值用于反向传播训练中；迭代训练人脸识别模型达到预设条件。使特征生成器中尽量减少环境特征，提升人脸识别的精准度。

技术领域

本申请涉及智能生活领域，特别是涉及到人脸识别模型的训练方法、装置和计算机设备。

背景技术

现有的人脸识别模型的持续改进上往往会有两种模式：离线训练-在线推理模式，即在正式上线之前使用大量携带标签标注的样本数据进行监督式训练得到模型，模型上线之后参数就不再改变，由于使用的场景不同导致训练使用的样本与实际上线的场景对应的数据，会存在跨域识别的问题，造成上线之后的识别精度大幅下降。当前为缓解跨域识别的精度下降问题，在上线之后使用得到的生产数据，进行人工标注脱敏之后对模型进行f ine-tune以提高识别精度，但人工参与标注降低了数据的回流使用效率，也降低了上线模型的迭代更新速度，影响人脸识别模型线上识别的精准度。

发明内容

本申请的主要目的为提供人脸识别模型的训练方法，旨在解决现有人脸识别模型的训练方式导致识别精准度不能满足需求的技术问题。

本申请提出一种人脸识别模型的训练方法，所述人脸模型包括特征生成器、人脸识别判别器和域判别器，方法包括：

通过训练集数据训练所述特征生成器和所述人脸识别判别器，其中，所述训练集数据为带有人脸识别标签标注的离线数据；

判断通过所述训练集数据进行训练时的第一损失函数是否收敛；

若是，则固定所述特征生成器的参数；

在固定所述特征生成器的参数下，通过所述训练集数据和目标域数据同时训练所述域判别器，其中，所述目标域数据为未进行人脸识别标签标注的数据；

判断通过所述训练集数据和目标域数据同时训练所述域判别器的第二损失函数是否收敛；

若是，则获取训练所述域判别器的训练过程对应的第一梯度值，并固定所述域判别器的参数；

将所述第一梯度值变更为与所述第一梯度值相等的负值，成为所述第一梯度值的第一反向梯度值；

在固定所述域判别器的参数下，通过所述训练集数据和目标域数据同时再次训练所述特征生成器，并将所述第一反向梯度值用于训练过程的反向传播训练中；

按照所述特征生成器、人脸识别判别器和域判别器的周期训练过程，迭代训练所述人脸识别模型达到预设条件。

优选地，所述在固定所述域判别器的参数下，通过所述训练集数据和目标域数据同时再次训练所述特征生成器，并将所述第一反向梯度值用于训练过程的反向传播训练中的步骤，包括：

通过所述域判别器的域判别结果，确定通过所述训练集数据正向训练所述域判别器时，所述域判别结果与训练数据之间的误差；

在所述第一反向梯度值的约束下，将所述误差进行反向传播，同时通过所述训练集数据和目标域数据，在所述第一损失函数的约束下，再次训练所述特征生成器，得到更新后的所述特征生成器的权值。

优选地，按照所述特征生成器、人脸识别判别器和域判别器的周期训练过程，迭代训练所述人脸识别模型达到预设条件的步骤之后，包括：

将训练后的所述人脸识别模型，通过部署文件完成上线，形成上线的人脸识别模型；