[发明专利]基于深度学习的人脸识别网络训练方法、设备及存储介质在审
| 申请号： | 201810459296.1 | 申请日： | 2018-05-15 |
| 公开（公告）号： | CN110490028A | 公开（公告）日： | 2019-11-22 |
| 发明（设计）人： | 王标;史方;邹佳运;郭宏 | 申请（专利权）人： | 成都视观天下科技有限公司 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 51214 成都九鼎天元知识产权代理有限公司 | 代理人： | 徐静<国际申请>=<国际公布>=<进入国 |
| 地址： | 610041 四川省成都市高新区天*** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及人脸识别领域，针对现有技术存在的问题，提供一种基于深度学习的人脸识别网络训练方法、设备及存储介质。本文提出一种既增大类间距离又缩小类内距离卷积神经网络优化算法，即在普通的卷积神网络模型上增加一种误差约束，在网络模型训练时控制使不同类别人脸间距离增大，使相同类别人脸间的距离缩小，使训练好的网络更好的提取人脸特征，从而提升算法的性能。本发明中对代价函数通过类内相似度、类间相似度进行参数修正，得到总误差函数；通过代价函数的残差值、类内相似度的残差值、类间相似度的残差值实现网络中权值的更新，实现神经网络训练，当参数修正Js满足收敛条件，则完成卷积神经网络训练。 | ||
| 搜索关键词： | 相似度 卷积神经网络 参数修正 代价函数 人脸识别 网络模型 人脸 神经网络训练 存储介质 距离缩小 距离增大 类间距离 类内距离 人脸特征 收敛条件 网络训练 优化算法 总误差 卷积 算法 网络 更新 学习 | ||
【主权项】：
1.一种基于深度学习的人脸识别网络训练方法，其特征在于包括：/n将所有图像做人脸对齐操作，制作训练数据；/n根据训练数据进行卷积神经网络训练，得到卷积神经网络的代价函数J；/n对上述代价函数J通过类内相似度J1、类间相似度J2进行参数修正，得到总误差函数Js＝J+γJ1-θJ2；/n通过代价函数J的残差值、类内相似度J1的残差值和类间相似度J2的残差值求偏导后反向传播，卷积神经网络中每一层的权值参数的得到更新；然后正向传播过程中，分别对应卷积神经网络中代价函数J、类内相似度J1、类间相似度J2的更新收敛；当总误差函数Js满足收敛条件，则完成卷积神经网络训练。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于成都视观天下科技有限公司，未经成都视观天下科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810459296.1/，转载请声明来源钻瓜专利网。
