[发明专利]模型训练方法、装置、电子设备和计算机可读存储介质

权利要求书

1.一种模型训练方法，其特征在于，包括：

将样本图像输入至辅助网络的特征提取网络，得到所述样本图像对应的多通道特征图和人脸特征值；其中，所述样本图像为若干组对应的戴口罩人脸样本图像和不戴口罩人脸样本图像，所述样本图像上标注有表征真实类别的标签，所述辅助网络包括所述特征提取网络、分类层和图像生成网络；

将所述人脸特征值输入至所述分类层，得到所述分类层对所述样本图像的分类结果；

将所述多通道特征图输入至所述图像生成网络，得到三通道的重建图像；

根据所述分类结果、所述标签、所述样本图像、所述重建图像和预设的注意力图，训练所述辅助网络，并基于训练完成的特征提取网络构建人脸识别模型；其中，所述预设的注意力图中的两个人眼位置为均值中心。

2.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述分类结果、所述标签、所述样本图像、所述重建图像和预设的注意力图，训练所述辅助网络，包括：

根据所述分类结果、所述标签、分类的类别总数、预设的分类权重、预设的间隔因子和预设的尺度因子，构建分类损失函数；

根据所述样本图像和所述重建图像，构建重建损失函数；

根据所述重建损失函数和所述注意力图，构建对抗约束损失函数；

以所述分类损失函数、所述重建损失函数和所述对抗约束损失函数为监督，训练所述辅助网络至所述分类损失函数、所述重建损失函数和所述对抗约束损失函数均收敛，得到训练完成的辅助网络；其中，所述分类损失函数作用于所述特征提取网络和所述分类层，所述重建损失函数作用于所述特征提取网络和所述图像生成网络，所述对抗约束损失函数作用于所述特征提取网络。

3.根据权利要求2所述的模型训练方法，其特征在于，通过以下公式，根据所述样本图像和所述重建图像，构建重建损失函数：

L_rec＝||I-I^*||₂

其中，I为所述样本图像，I^*为所述重建图像，L_rec为所述重建损失函数。

4.根据权利要求2至3中任一项所述的模型训练方法，其特征在于，通过以下公式，根据所述重建损失函数和所述注意力图，构建对抗约束损失函数：

L_unrec＝E[H*(1-L_rec)]

其中，L_rec为所述重建损失函数，H为所述注意力图，E[·]表示期望运算。

5.根据权利要求1至2中任一项所述的模型训练方法，其特征在于，所述样本图像通过以下步骤获取：

获取若干第一不戴口罩人脸图像，以及与所述第一不戴口罩人脸图像为同一人脸的第一戴口罩人脸图像；

获取若干第二不戴口罩人脸图像，并根据所述第二不戴口罩人脸图像和预设的模拟口罩数据，生成与所述第二不戴口罩人脸图像对应的第二戴口罩人脸图像；

将所述第一不戴口罩人脸图像、所述第一戴口罩人脸图像、所述第二不戴口罩人脸图像和所述第二戴口罩人脸图像作为样本图像，生成训练样本集。

6.根据权利要求1至2中任一项所述的模型训练方法，其特征在于，所述将样本图像输入至辅助网络的特征提取网络，包括：

对所述样本图像进行人脸检测，确定出所述样本图像的原始人脸区域和人脸关键点；其中，所述人脸关键点至少包括左眼角点、右眼角点、鼻尖点、左嘴角点和右嘴角点；

根据所述人脸关键点的坐标和预设的模板关键点的坐标，计算得到所述样本图像对应的相似矩阵；

基于所述相似矩阵对所述样本图像进行变换，并根据预设尺寸和所述原始人脸区域裁剪变换后的样本图像，得到标准图像；

将所述标准图像输入至辅助网络的特征提取网络。