[发明专利]基于多阶段的人脸属性识别方法

权利要求书

1.基于多阶段的人脸属性识别方法，其特征在于，包括以下步骤：

S1：根据人脸属性的空间关系进行分组，一张图有两个主要部件，分别是节点、边；

S2：使用参数矩阵来表示节点和邻居之间的相对重要性，节点可以表示为v＝{v₀,v₁...v_N}，其对应的特征为x＝{x₀,x₁,...x_N}，输出节点为v'＝{v₁',v'₂,...v'_N}；

S3：共享线性变换由权重矩阵参数化,权重矩阵为W，对每个节点和其邻居节点计算权重关系，公式如下：

e_i,j＝c(Wv_i,Wv_j)

其中e_i,j表示两个节点的重要性值，i和j是节点的索引，c是自注意力机制的计算方法；

S4：为了使得不同节点的注意力值有可比性，使用了softmax进行归一化处理，得出节点v_i和节点v_j之间注意力权重d_i,j；

S5：搭建多阶段的深度学习模型，整体的网络使用了layer1、layer2、layer3作为共享的特征，layer4作为第一个阶段的子模块进行特征提取，layer5作为第二个阶段的子模块进行特征提取。把两个子模块的loss之和作为Loss_chid，两个阶段的loss的差作为Loss_diff，两者之和作为系统的总loss：

Loss_total＝Loss_child+Loss_diff；

S6：分别统计两个阶段的每个属性的loss，把loss较低的阶段作为属性的分类结果。

2.根据权利要求1的基于多阶段的人脸属性识别方法，其特征在于，所述S4中d_i,j可以通过以下公式计算出，

3.根据权利要求2的基于多阶段的人脸属性识别方法，其特征在于，所述d_i,j图注意力可以由以下公式表示：

其中d表示节点和邻居节点的相对重要性矩阵，是一个可学习的参数向量，T表示矩阵的转置，W表示可训练的参数矩阵，用作对输入数据做线性变换，||表示向量聚合。