[发明专利]多姿态人脸性别检测训练优化方法、装置及相关设备

说明书

本发明公开了一种基于联邦学习的多姿态人脸性别检测训练优化方法，应用于人脸活体检测领域，用于解决现有人脸性别检测方法对硬件设备、数据数量及质量高要求，模型泛化能力低的技术问题。本发明提供的方法包括：接收梯度信息与参数信息，根据梯度信息获取联邦模型参数；梯度信息与参数信息包括对已标注性别与头部姿态分类标签的人脸图片训练得到的梯度信息、参数信息和客户端更新本地训练模型后的本地梯度信息、本地参数信息；通过联邦模型参数和梯度信息获得联邦学习梯度信息后更新服务端联邦模型的参数；判断联邦模型损失值是否达到预设值，若损失值达到预设值，则结束方法流程；若损失值未达到预设值，则返回继续执行上述步骤。

技术领域

本发明涉及人脸检测领域，尤其涉及一种基于联邦学习的多姿态人脸性别检测训练优化方法、装置、计算机设备及存储介质。

背景技术

联邦学习，是一种新兴的人工智能技术，旨在保障数据交换时的信息安全，保护终端数据与个人隐私数据安全，在多个计算节点之前进行高效率的机器学习。

现在的人脸性别检测模型主要利用大数据量的训练数据进行训练，通过大数据量与增加训练次数、调整训练参数来增强模型性能，提高检测率。但是大数据量的训练数据一般不会单独针对不同姿态的人脸重新标记，为了提高神经网络对多姿态人脸检测的拟合能力，需要准备大量的训练数据，对数据的数量和质量的要求相对较高。同时因为需要针对大数据量的训练数据进行训练，对训练硬件设备的要求也更高。因为没有对不同姿态的人脸进行单独标记，训练过程中难以针对不同姿态的人脸特征进行学习，只能借由标记好的标签进行训练，从而导致模型的泛化能力很难提升。因此，现有的人脸性别检测方法存在对硬件设备和数据数量及质量的要求较高，且模型泛化能力低的问题。

发明内容

本发明实施例提供一种基于联邦学习的多姿态人脸性别检测训练优化方法、装置、计算机设备及存储介质，以解决现有人脸性别检测方法对硬件设备数据数量及质量要求高，模型泛化能力低的技术问题。

一种基于联邦学习的多姿态人脸性别检测训练优化方法，包括：

A、对客户端向服务端所发送的梯度信息与参数信息进行接收，根据参数信息获取联邦模型参数；其中，梯度信息包括：基于神经网络对已标注性别与头部姿态分类标签的人脸图片进行训练所得到的梯度信息和客户端进行本地训练模型更新所需的本地梯度信息；参数信息包括：基于神经网络对已标注性别与头部姿态分类标签的人脸图片进行训练所得到的参数信息和客户端进行本地训练模型更新所需本地参数信息；

B、基于异步随机梯度下降优化算法对联邦模型参数和梯度信息进行计算，获得联邦学习梯度信息；

C、根据联邦模型参数和联邦学习梯度信息，对服务端的联邦模型进行参数更新；

D、判断联邦模型中的损失值是否达到预设值，若损失值达到预设值，则结束方法流程；若损失值未达到预设值，则返回继续执行步骤A至D。

一种基于联邦学习的多姿态人脸性别检测训练优化装置，包括：

获取参数模块，用于对客户端向服务端所发送的梯度信息与参数信息进行接收，根据所述参数信息获取联邦模型参数；其中，所述梯度信息包括：基于神经网络对已标注性别与头部姿态分类标签的人脸图片进行训练所得到的梯度信息和所述客户端进行本地训练模型更新所需的本地梯度信息；所述参数信息包括：基于神经网络对已标注性别与头部姿态分类标签的人脸图片进行训练所得到的参数信息和所述客户端进行本地训练模型更新所需本地参数信息；

获取信息模块，用于基于异步随机梯度下降优化算法对所述联邦模型参数和所述梯度信息进行计算，获得联邦学习梯度信息；

参数更新模块，用于根据所述联邦模型参数和所述联邦学习梯度信息，对服务端的联邦模型进行参数更新；