人脸模型的训练方法、装置、计算机设备和存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110163151A(43)申请公布日2019.08.23(21)申请号201910432855.4(22)申请日2019.05.23(71)申请人北京迈格威科技有限公司地址100190北京市海淀区科学院南路2号融科资讯中心A座316-318(72)发明人展扬(74)专利代理机构北京华进京联知识产权代理有限公司11606代理人朱五云李姣姣(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书2页说明书11页附图4页(54)发明名称人脸模型的训练方法、装置、计算机设备和存储介质(57)摘要本申请涉及一种人脸模型的训练方法、装置、计算机设备和存储介质。该方法包括：获取多个人脸特征；以多个人脸特征为输入，根据预设的第一学习率训练所述人脸模型中已有的人脸属性模型，根据预设的第二学习率训练人脸模型中新增的人脸属性模型，直至人脸模型的损失值达到目标预设阈值为止，得到训练后的人脸模型；其中，第一学习率小于第二学习率。上述这种采用不同的学习率针对性的训练不同类型人脸属性模型的训练方法极大的提高了人脸属性模型的训练速度，进而减少了人脸属性模型的训练时间。CN110163151ACN110163151A权利要求书1/2页1.一种人脸模型的训练方法，其特征在于，所述人脸模型包括多个人脸属性模型，所述方法包括：获取多个人脸特征；以所述多个人脸特征为输入，根据预设的第一学习率训练所述人脸模型中已有的人脸属性模型，根据预设的第二学习率训练所述人脸模型中新增的人脸属性模型，直至所述人脸模型的损失值达到目标预设阈值为止，得到训练后的人脸模型；其中，所述第一学习率小于第二学习率。2.根据权利要求1所述的方法，其特征在于，所述人脸模型的损失值包括：所述已有的人脸属性模型的损失值与所述新增的人脸属性模型的损失值的累加和。3.根据权利要求2所述的方法，其特征在于，所述根据预设的第一学习率训练所述人脸模型中已有的人脸属性模型，包括：根据所述第一学习率和所述已有的人脸属性模型的损失值调节所述已有的人脸属性模型的参数。4.根据权利要求2或3所述的方法，其特征在于，所述根据预设的第二学习率训练所述人脸模型中新增的人脸属性模型，包括：根据所述第二学习率和所述新增的人脸属性模型的损失值调节所述新增的人脸属性模型的参数。5.根据权利要求1所述的方法，其特征在于，所述人脸模型还包括人脸特征模型，所述获取多个人脸特征包括：获取多个样本人脸图像；将所述多个样本人脸图像输入到所述人脸特征模型中，得到所述多个人脸特征。6.根据权利要求5所述的方法，其特征在于，所述人脸特征模型包括：人脸特征提取模型和共有特征提取模型；所述人脸特征提取模型用于对所述样本人脸图像进行第一特征提取，得到特征信息；所述共有特征提取模型用于对所述特征信息进行第二特征提取，得到人脸特征。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：根据预设的第三学习率训练所述共有特征提取模型，直至所述人脸模型的损失值达到所述目标预设阈值为止；所述第三学习率小于或者等于所述第一学习率。8.根据权利要求7所述的方法，其特征在于，所述根据预设的第三学习率训练所述共有特征提取模型，包括：根据所述第三学习率、所述已有的人脸属性模型的损失值、所述新增的人脸属性模型的损失值调节所述共有特征提取模型的参数。9.一种人脸属性的识别方法，其特征在于，所述方法包括：获取所述待识别的人脸图像；将所述待识别的人脸图像输入至人脸模型中进行多种类型的人脸属性识别，得到多个人脸属性；所述人脸模型为采用如权利要求1-8任一项所述的方法训练得到的人脸模型。10.一种人脸模型的训练装置，其特征在于，所述人脸模型包括多个人脸属性模型，所述装置包括：获取特征模块，用于获取多个人脸特征；2CN110163151A权利要求书2/2页第一训练模块，用于以所述多个人脸特征为输入，根据预设的第一学习率训练所述人脸模型中已有的人脸属性模型，根据预设的第二学习率训练所述人脸模型中新增的人脸属性模型，直至所述人脸模型的损失值达到目标预设阈值为止，得到训练后的人脸模型；其中，所述第一学习率小于第二学习率。11.一种人脸属性的识别装置，其特征在于，所述装置包括：获取图像模块，用于获取所述待识别的人脸图像；识别模块，用于将所述待识别的人脸图像输入至人脸模型中进行多种类型的人脸属性识别，得到多个人脸属性；所述人脸模型为采用如权利要求10所述的训练装置训练得到的人脸模型。12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述的训练方法或权利要求9所述的识别方法的步骤。13.一种计算