[发明专利]一种基于原型与对抗学习的单样本人脸识别方法

权利要求书

1.基于原型与对抗学习的单样本人脸识别方法，其特征在于，包括如下步骤：

步骤1，利用Baseset中所有的人脸训练数据对预训练网络进行微调，得到一个适用于目标数据集的网络特征提取模型，微调过程中网络输入为人脸图像x，标签为y，利用交叉熵损失对预训练的网络进行微调，得到一个将人脸图像x映射到特征空间的特征表示模型φ(·)；

步骤2，基于特征表示模型φ(·)提取到的人脸特征借助于原型网络的思想，利用Baseset学习一个从Novelset中单样本特征到类特征中心的映射，得到Novelset的原型特征；

步骤3，基于步骤2中提取到的原型特征训练利用原型引导的特征生成器，在原型特征的基础上加入随机噪声作为特征生成器的输入，生成新的特征，并且引入特征真假鉴别器与变化鉴别器引导该特征生成器生成具有丰富变化信息的人脸特征

步骤4，利用特征表示模型提取的真实特征以及特征生成器生成的人脸特征对分类器进行训练，根据特征生成器生成的特征修正分类器的决策边界，修正后的分类器作为最终测试的分类器；

步骤5，将测试图像x_p输入到特征表示模型φ(·)中得到特征表示然后将特征表示φ(t_i)输入到最终的分类器中得到分类结果。

2.根据权利要求1所述基于原型与对抗学习的单样本人脸识别方法，其特征在于，所述步骤1的具体过程为：

(1.1)给定Baseset(每类多个样本){x_b,y_b}b＝1,2,...B，共包含B个样本，Novelset(每类单张训练样本){x_n,y_n}，n＝1,2,...N,共包含N个样本；利用Baseset中所有样本对预训练模型进行微调；

(1.2)利用交叉熵损失对预训练好的网络进行微调，调整网络的权重，网络的损失函数具体表示为：

其中，φ(·)表示特征表示模型，W为分类器参数,N为训练样本总数，y_i表示输入人脸图像x_i对应的身份标签；

(1.3)预训练网络微调完成后，输入人脸图像x_i，取微调后的网络分类层的前一层输出作为输入人脸图像x_i的特征嵌入，其中

3.根据权利要求1所述基于原型与对抗学习的单样本人脸识别方法，其特征在于，所述步骤2的具体过程为：

为了得到Novelset中的单样本类别的类特征中心，利用Baseset学习一个从单样本特征到类特征中心的映射记作f(·)；在Baseset中每类的标准样本特征记为一共M类，其他的样本特征标记为其对应身份标签为y_t，基于softmax在特征空间做距离度量，计算特征之间的距离关系，

其中d(·)是欧式距离函数，学习过程是最小化损失函数

其中，第一项表示缩小第k类样本特征与第k类特征中心之间的欧式距离，第二项表示扩大缩小第k类样本特征与其它类别中心的欧式距离，训练完成后就得到了一个标准样本特征到类中心特征的映射f(·)。