[发明专利]一种基于深度神经网络模型的半监督在线人脸识别方法及系统

权利要求书

1.一种基于深度神经网络模型的半监督在线人脸识别方法，其特征在于，所述半监督在线人脸识别方法包括离线训练步骤和在线训练步骤，通过离线训练生成基础人脸识别特征提取模型，通过在线迭代训练耦合应用场景数据，提高人脸识别模型在实际应用场景的精度；其中：

所述离线训练包括如下步骤：

准备训练数据，包括已标注数据，和未标注数据；

构建深度神经网络；

设计并计算Loss函数；

训练整体模型架构，获得特征提取模型；

所述在线训练包括如下步骤：

搭建训练机环境，将离线训练模型部署在训练机中；

前端人脸识别设备将识别结果上传到数据预处理平台；

数据预处理平台根据识别结果和图像数据进行预处理；

根据预处理结果选择在线监督训练或自监督训练，对于已识别的人脸建立类别标签，如果该类别图片收集大于A张，则该类别满足在线监督训练条件；对于未识别的人脸，加入到训练集中，满足自监督训练条件；当数据达到设定量时，将数据下放到训练机中进行训练；

训练完成自动测试模型。

2.如权利要求1所述的一种基于深度神经网络模型的半监督在线人脸识别方法，其特征在于，所述离线训练增加自监督训练模块，用以实现无监督学习。

3.如权利要求1所述的一种基于深度神经网络模型的半监督在线人脸识别方法，其特征在于，所述设计Loss函数，包括监督学习的InsightFace Loss和自监督学习的MSE Loss。

4.如权利要求1所述的一种基于深度神经网络模型的半监督在线人脸识别方法，其特征在于，所述Loss计算，对于已标注的数据为Loss1=InsightFace Loss + MSE Loss，对于未标注的样本数据Loss2=MSE Loss，增体Loss=lamda*Loss1 +（1-lamda）*Loss2，lamda的取值范围为[0.5,1]。

5.如权利要求1所述的一种基于深度神经网络模型的半监督在线人脸识别方法，其特征在于，所述人脸识别方法，对于已识别的人脸建立类别标签，如果该类别图片收集大于5张，选择在线监督训练；对于未识别的人脸，加入训练集中，选择自监督训练；当数据达到设定量后，触动在线训练请求，并将满足训练条件的数据下放到训练机中进行训练。

6.如权利要求1所述的一种基于深度神经网络模型的半监督在线人脸识别方法，其特征在于，所述人脸识别方法，训练完成后自动测试模型，如果测试精度高于原离线模型，则更新模型到前端人脸识别设备。

7.一种基于深度神经网络模型的半监督在线人脸识别系统，其特征在于，所述人脸识别系统包括：

模型生成单元：通过离线训练生成离线训练模型，通过在线训练生成在线训练模；

前端人脸识别设备：获取并上传识别结果；

数据预处理单元：根据识别结果和图像数据进行预处理；

图像训练单元：根据预处理结果选择在线监督训练或自监督训练，对于已识别的人脸建立类别标签，如果该类别图片收集大于A张，则该类别满足在线监督训练条件；对于未识别的人脸，加入到训练集中，满足自监督训练条件；当数据达到设定量时，将数据下放到训练机中进行训练；

模型测试单元：对离线训练模型和在线训练模型进行测试，将精度高的模型更新到前端人脸识别设备。