一种人脸识别模型的训练方法、装置以及设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115273189A(43)申请公布日2022.11.01(21)申请号202210879382.4G06N3/08(2006.01)(22)申请日2022.07.25(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人朱军(74)专利代理机构北京君慧知识产权代理事务所(普通合伙)11716专利代理师肖鹏(51)Int.Cl.G06V40/16(2022.01)G06V10/762(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)G06N3/04(2006.01)权利要求书2页说明书10页附图3页(54)发明名称一种人脸识别模型的训练方法、装置以及设备(57)摘要本说明书实施例公开了一种人脸识别模型的训练方法、装置以及设备。通过获取训练样本；生成与所述区域块相关的类别矩阵，其中所述类别矩阵中的一行或者一列表征一个区域块与其它区域块的类别的异同；采用初始模型对所述训练样本进行分类，确定分类所产生的分类损失值；采用所述初始模型提取所述合成样本中的区域特征，生成与所述类别矩阵大小相同的预测矩阵，根据所述预测矩阵与所述类别矩阵的差异确定区域类别损失值；融合所述分类损失值和所述区域类别损失值生成目标损失值，根据所述目标损失值对所述初始模型进行训练，生成目标模型。从而实现准确学习在检测得到的图像中各区域的相关性，并基于这种相关性和不相关性去实现攻击识别。CN115273189ACN115273189A权利要求书1/2页1.一种人脸识别模型的训练方法，包括：获取训练样本，其中，所述训练样本为包括多个区域块的真实样本或者合成样本，所述合成样本中的区域块的类别包括被攻击人脸的第一区域和攻击人脸的第二区域；生成与所述区域块相关的类别矩阵，其中所述类别矩阵中的一行或者一列表征一个区域块与其它区域块的类别的异同；采用初始模型对所述训练样本进行分类，确定分类所产生的分类损失值；采用所述初始模型提取所述合成样本中的区域特征，生成与所述类别矩阵大小相同的预测矩阵，根据所述预测矩阵与所述类别矩阵的差异确定区域类别损失值；融合所述分类损失值和所述区域类别损失值生成目标损失值，根据所述目标损失值对所述初始模型进行训练，生成目标模型。2.如权利要求1所述的方法，其中，所述合成样本采用如下方式预先生成：随机获取第一真实样本和第二真实样本；确定需要进行替换的目标区域块；将所述第一真实样本和第二真实样本中的目标区域块中的图像互相替换，生成两个合成样本。3.如权利要求1所述的方法，其中，生成与所述区域块相关的类别矩阵，包括：确定与所述区域块对应的标记矩阵，其中，所述标记矩阵中的元素与所述训练样本中的区域块对应，所述元素的值表征其对应的区域块属于被攻击人脸或者攻击人脸；遍历所述标记矩阵中的元素，针对遍历至的任一元素，根据该元素与所述标记矩阵中其它元素的值的异同生成所述类别矩阵中的一行或者一列。4.如权利要求3所述的方法，其中，生成与所述类别矩阵大小相同的预测矩阵，包括：根据提取得到的区域特征生成与所述标记矩阵大小相同的特征矩阵；展开所述特征矩阵，生成一维的展开矩阵；对所述展开矩阵进行归一化，生成归一化之后的展开矩阵；将所述归一化之后的展开矩阵的转置与所述归一化之后的展开矩阵相乘，生成与所述类别矩阵大小相同的预测矩阵。5.如权利要求4所述的方法，其中，根据提取得到的区域特征生成与所述标记矩阵大小相同的特征矩阵，包括：根据提取得到的区域特征生成特征向量；升维所述特征向量，并降维所述升维后的特征向量，生成与所述标记矩阵大小相同的特征矩阵。6.如权利要求1所述的方法，其中，融合所述分类损失值和所述区域类别损失值生成目标损失值，包括：采用预设的权重参数融合所述分类损失值和所述区域类别损失值生成目标损失值；或者，根据所述分类损失值和所述区域类别损失值的大小，自适应调整所述分类损失值和所述区域类别损失值的权重参数，根据所述调整后的权重参数融合所述分类损失值和所述区域类别损失值生成目标损失值。7.如权利要求2所述的方法，其中，所述目标区域块为连接两个眼部图像所形成的一字2CN115273189A权利要求书2/2页形区域中所包含的多个区域块，或者，为连接两个眼部图像以及鼻子部位的图像所形成的T字形区域中所包含的多个区域块。8.一种人脸识别模型的训练装置，包括：获取模块，获取训练样本，其中，所述训练样本为包括多个区域块的真实样本或者合成样本，所述合成样本中的区域块的类别包括被攻击人脸的第一区域和攻击人脸的第二区域；矩阵生成模块，生成与所述区域块相关的类别矩阵，其中，所述类别矩阵中的一行或者一列表征一个区域块与其它区域