[发明专利]人脸分类方法、装置及智能终端

摘要

本发明实施例公开了一种人脸分类方法、装置及智能终端包括下述步骤：采集待测目标信息；将所述待测目标信息输入通过输出目标与期望目标进行误差优化训练所得到的优化卷积神经网络模型中；获取所述优化卷积神经网络模型输出的所述待测目标信息的分类结果。由于采用了输出目标与期望目标之间的误差对卷积神经网络模型进行反向优化，不断地调整卷积神经网络模型的各项参数，优化卷积神经网络模型的性能，获取到优化卷积神经网络模型，能够有效地提高卷积神经网络模型的分类准确率。将待测目标信息输入到优化后卷积神经网络模型中，就能够得到准确率较高的分类结果。

主权项

1.一种人脸分类方法，其特征在于，包括下述步骤：采集待测目标信息；将所述待测目标信息输入通过输出目标与期望目标进行误差优化训练所得到的优化卷积神经网络模型中；获取所述优化卷积神经网络模型输出的所述待测目标信息的分类结果；所述优化卷积神经网络模型通过下述步骤训练形成：获取标记有分类判断信息的训练样本数据，其中，所述训练样本数据包括：人脸数据对以及对所述人脸数据对进行标记的分类判断信息，所述分类判断信息包括：人体颜值，所述人脸数据对为对两张不同的图像进行颜值打分，各自标注每张图像中人体脸部的颜值，并标记出两张人脸图像中那张人脸图像所表示的人体脸部的颜值更高；将所述训练样本数据输入卷积神经网络模型获取所述训练样本数据的模型分类参照信息；通过止损函数比对所述训练样本数据内不同样本的模型分类参照信息，并判断所述比对结果与所述分类判断信息是否一致，其中，所述止损函数特征描述为：L(a,b)＝Max(f(a)–f(b),0)(Label(a)<Label(b))；或L(a,b)＝Max(f(b)–f(a),0)(Label(b)<Label(a))；其中，a为人脸数据对中的一个样本数据，b为人脸数据对中另一个样本数据，Label(a)表示a的分类判断数据，Label(b)表示b的分类判断数据，f(a)表示卷积神经网络模型输出的a的模型分类参照数据，f(b)表示卷积神经网络模型输出的b的模型分类参照数据；当所述比对结果与所述分类判断信息不一致时，反复循环迭代的更新所述卷积神经网络模型中的权重，至所述比对结果与所述分类判断信息一致时结束。