[发明专利]一种人脸识别方法、装置及电子设备

说明书

本发明涉及人脸识别技术领域，公开了一种人脸识别方法、装置及电子设备，该人脸识别方法，应用于电子设备，所述方法包括：获取包含至少两个人种的图像的训练集，根据人种将训练集划分为至少两个数据集；确定每一数据集的损失函数及其对应的损失权重；根据每一数据集的损失函数及其对应的损失权重，确定最终的损失函数；根据最终的损失函数对初始模型进行训练，得到人脸识别模型，并基于人脸识别模型，进行人脸识别。通过根据人种训练对应的损失函数，结合损失函数对应的损失权重组合得到最终的损失函数，以训练人脸识别模型，本发明能够解决人种分布不均匀导致的对某一类人种识别性能下降的技术问题，提高人脸识别模型的综合识别性能。

技术领域

本发明实施方式涉及人脸识别技术领域，特别是涉及一种人脸识别方法、装置及电子设备。

背景技术

目前的人脸识别训练流程大致如下：准备训练数据，训练数据需要包含大量人物(即ID)，每个ID尽可能包含较多的、在不同场景或不同时段属于该ID人物的照片，之后设计网络结构，损失函数，再将训练数据输入网络，一般采用批量梯度下降的方法，从损失函数中获得梯度并进行反向传播，从而对网络中的权重进行优化，不断重复这个过程并调优超参数，直至损失不再下降。目前较好的人脸识别模型均产出于该工程或以该工程为基础的工程。其中使用的训练流程如上，该工程的贡献在于提出了很有效的损失函数，显著提高了人脸识别模型的性能：

但是，目前的人脸识别方案难以解决数据分布不平衡的问题。例如在训练集中包含多人种时，不同人种的分布不均匀(如亚洲人是欧美人的三倍等)，则会导致模型对包含较多样本的人种具有较好的识别性能，而对包含较少样本的人种识别性能会明显降低。

发明人在实现本发明的过程中，发现现有技术至少存在以下问题：人种分布不均匀导致的对某一类人种识别性能下降。

有鉴于此，现有技术亟待改进。

发明内容

为了解决上述技术问题，本发明实施例提供一种人脸识别方法、装置及电子设备，解决人种分布不均匀导致的对某一类人种识别性能下降的技术问题，提高人脸识别模型的综合识别性能。

为了解决上述技术问题，本发明实施例提供以下技术方案：

第一方面，本发明实施例提供一种人脸识别方法，应用于电子设备，所述方法包括：

获取包含至少两个人种的图像的训练集，根据人种将所述训练集划分为至少两个数据集；

确定每一数据集的损失函数及其对应的损失权重；

根据每一数据集的损失函数及其对应的损失权重，确定最终的损失函数；

根据所述最终的损失函数对初始模型进行训练，得到人脸识别模型，并基于所述人脸识别模型，进行人脸识别。

在一些实施例中，所述确定每一数据集的损失函数及其对应的损失权重，包括：

根据所述训练集中的每一数据集的比例，确定每一数据集的损失函数对应的损失权重，其中，每一所述数据集的损失函数对应的损失权重与该数据集的比例成正相关。

在一些实施例中，所述根据每一数据集的损失函数及其对应的损失权重，确定最终的损失函数，包括：

若初始模型为预训练模型，则所述最终的损失函数为每一数据集的损失函数及其对应的损失权重的加权和。

在一些实施例中，所述根据每一数据集的损失函数及其对应的损失权重，确定最终的损失函数，包括：

若所述初始模型为未经训练的模型，则确定间隔损失函数及其对应的损失权重，所述最终的损失函数为每一数据集的损失函数及其对应的损失权重以及间隔损失函数及其对应的损失权重的加权和。

在一些实施例中，所述确定间隔损失函数及其对应的损失权重，包括：