人脸识别器生成方法、装置、计算机设备和存储介质与流程

1.本技术涉及人工智能技术领域，特别是涉及一种人脸识别器生成方法、装置、计算机设备和存储介质。


背景技术：

2.随着人工智能技术的发展，以及对知识产权、品牌保护的重视日益增加，需要对不同应用平台或网站的展示数据，包括图像数据，比如卡通数据等进行人脸识别和审核，确定出卡通数据中是否包括人脸数据，以及人脸数据具体所属的人物。
3.由于互联会实时产生海量卡通数据或视频数据，传统上所采用的人工审核方式，耗时费力，审核效率较为低下，因此出现了进行模型蒸馏和模型叠加，最终得到合适的识别模型来进行审核的处理方式。
4.其中，模型蒸馏表示的是利用大模型对小模型进行知识蒸馏，而大模型的训练需要收集大量卡通人脸数据，但所收集的卡通数据无法达到与真实人脸数据相当的数据规模，从而导致训练得到的大模型本身性能有所欠缺，模型的识别准确率较为低下。同时由于进行模型蒸馏后还需进行小模型叠加，即需要训练多个大模型后再将多个小模型进行叠加，同时多个小模型进行叠加时需要对每个小模型之间的权重比例进行调整，以确定各自权重和相应的训练周期，从而需要较长的试验和磨合时间，导致整体的训练耗时较长，且训练得到的识别模型的识别准确率也得不到保证。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提升对人脸所属身份的识别准确率的人脸识别器生成方法、装置、计算机设备和存储介质。
6.第一方面，本技术提供了一种人脸识别器生成方法。所述方法包括：
7.采用初始训练获得的初始识别网络模型，对训练样本集中的训练样本进行人脸特征识别，获得对应的人脸特征；所述训练样本包括第一类别人脸图片和第二类别人脸图片；
8.采用初始训练获得的初始域分类器，对所述人脸特征进行分类识别，生成对应的分类结果；
9.基于所述人脸特征和所述分类结果，对所述初始识别网络模型和所述初始域分类器进行对抗训练，并将训练结束时的初始识别网络模型作为训练好的人脸识别器。
10.在其中一个实施例中，所述基于所述人脸特征和所述分类结果，对所述初始识别网络模型和所述初始域分类器进行对抗训练，并将训练结束时的初始识别网络模型作为训练好的人脸识别器，包括：
11.将所述分类结果以反向作用叠加至所述初始识别网络模型，以更新所述初始识别网络模型；
12.根据更新后的所述初始识别网络模型输出的人脸特征，对所述初始域分类器的第一参数进行调整；
13.当确定所述对抗训练的第一迭代次数、或所述初始识别网络模型和所述初始域分类器的联合损失函数值满足第一训练结束条件时，将训练结束时的初始识别网络模型作为训练好的人脸识别器。
14.在其中一个实施例中，所述将所述分类结果以反向作用叠加至所述初始识别网络模型，以更新所述初始识别网络模型，包括：
15.基于所述分类结果的反向作用确定对应的参数调整策略；
16.根据确定的所述参数调整策略，在对应的参数调整周期内，对所述初始识别网络模型的第二参数进行调整，得到更新后的初始识别网络模型。
17.在其中一个实施例中，所述根据所确定的所述参数调整策略，在对应的梯度调整周期内，对所述初始识别网络模型的第二参数进行调整，得到更新后的初始识别网络模型，包括：
18.获取当前训练过程中的当前迭代次数，并根据所述当前迭代次数和预设总迭代次数，确定对应的参数调整周期；
19.在所述参数调整周期内，根据所确定的所述参数调整策略，对所述初始识别网络模型的第二参数进行调整，得到更新后的所述初始识别网络模型。
20.在其中一个实施例中，所述初始域分类器识别的分类结果包括第一类别标签和第二类别标签，所述人脸特征包括与所述第一类别标签对应的第一类别人脸特征，以及与所述第二类别标签对应的第二人脸类别特征；所述基于所述分类结果的反向作用确定对应的参数调整策略，包括：
21.基于所述分类结果的反向作用，确定与所述第一类别标签对应的第一类别人脸特征，以及与所述第二类别标签对应的第二类别人脸特征之间的共同分布信息；
22.根据所述共同分布信息，确定对应的参数调整策略。
23.在其中一个实施例中，训练得到所述初始识别网络模型的方式，包括：
24.通过原始识别网络模型识别所述训练样本集中各训练样本对应的人脸特征图，并提取与所述人脸特征图对应的人脸特征；
25.基于所述人脸特征，以及所述训练样本集中与所述人脸特征图对应的训练样本的标签信息，确定对应的人脸识别目标函数值；
26.利用梯度下降的方式，对所述原始识别网络模型进行更新，直至所述人脸识别目标函数值或迭代训练的第二迭代次数满足第二训练停止条件时，获得经初始训练后的初始识别网络模型。
27.在其中一个实施例中，训练得到所述初始域分类器的方式，包括：
28.获取所述初始识别网络模型输出的人脸特征；
29.通过原始分类器进行识别所述人脸特征，输出与各所述人脸特征对应的类别标签；
30.基于识别得到的所述类别标签，以及所述训练样本集中与所述人脸特征对应的训练样本的预标注类别标签，确定对应的损失函数值；
31.采用梯度下降的方式，对所述原始分类器进行更新，直至所述损失函数值或迭代训练的第三迭代次数满足第三训练停止条件时，获得经初始训练后的初始域分类器。
32.第二方面，本技术还提供了一种人脸识别器生成装置。所述装置包括：
33.人脸特征识别模块，用于采用初始训练获得的初始识别网络模型，对训练样本集中的训练样本进行人脸特征识别，获得对应的人脸特征；所述训练样本包括第一类别人脸图片和第二类别人脸图片；
34.分类识别模块，用于采用初始训练获得的初始域分类器，对所述人脸特征进行分类识别，生成对应的分类结果；
35.人脸识别器生成模块，用于基于所述人脸特征和所述分类结果，对所述初始识别网络模型和所述初始域分类器进行对抗训练，并将训练结束时的初始识别网络模型作为训练好的人脸识别器。
36.第三方面，本技术还提供了一种计算机设备。所述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，所述处理器执行所述计算机程序时实现以下步骤：
37.采用初始训练获得的初始识别网络模型，对训练样本集中的训练样本进行人脸特征识别，获得对应的人脸特征；所述训练样本包括第一类别人脸图片和第二类别人脸图片；
38.采用初始训练获得的初始域分类器，对所述人脸特征进行分类识别，生成对应的分类结果；
39.基于所述人脸特征和所述分类结果，对所述初始识别网络模型和所述初始域分类器进行对抗训练，并将训练结束时的初始识别网络模型作为训练好的人脸识别器。
40.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
41.采用初始训练获得的初始识别网络模型，对训练样本集中的训练样本进行人脸特征识别，获得对应的人脸特征；所述训练样本包括第一类别人脸图片和第二类别人脸图片；
42.采用初始训练获得的初始域分类器，对所述人脸特征进行分类识别，生成对应的分类结果；
43.基于所述人脸特征和所述分类结果，对所述初始识别网络模型和所述初始域分类器进行对抗训练，并将训练结束时的初始识别网络模型作为训练好的人脸识别器。
44.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
45.采用初始训练获得的初始识别网络模型，对训练样本集中的训练样本进行人脸特征识别，获得对应的人脸特征；所述训练样本包括第一类别人脸图片和第二类别人脸图片；
46.采用初始训练获得的初始域分类器，对所述人脸特征进行分类识别，生成对应的分类结果；
47.基于所述人脸特征和所述分类结果，对所述初始识别网络模型和所述初始域分类器进行对抗训练，并将训练结束时的初始识别网络模型作为训练好的人脸识别器。
48.上述人脸识别器生成方法、装置、计算机设备和存储介质中，通过采用初始训练获得的初始识别网络模型，对训练样本集中的训练样本进行人脸特征识别，获得对应的人脸特征，并采用初始训练获得的初始域分类器，对人脸特征进行分类识别，生成对应的分类结果。进而可基于人脸特征和分类结果，对初始识别网络模型和初始域分类器进行对抗训练，并将训练结束时的初始识别网络模型作为训练好的人脸识别器。该方法中由于识别网络模型以及域分类器进行了对抗训练，从而使得训练好的人脸识别器，可在对抗学习过程学习到不同类别的人脸图片之间的共同分布，从而可根据具有共同分布的人脸图片，对训练样
本数据匮乏的人脸类别图片进行数据扩充，以根据数据扩充后的训练样本数据训练得到应用场景下的人脸识别器，进而可在不同实际应用场景下，对该场景下的的待识别人脸图片进行精准人脸识别，确定该些待识别人脸图片所属的人物形象，以提升了人脸识别的准确率。
附图说明
49.图1为一个实施例中人脸识别器生成方法的应用环境图；
50.图2为一个实施例中人脸识别器生成方法的流程示意图；
51.图3为一个实施例中得到训练好的人脸识别器的流程示意图；
52.图4为一个实施例中训练得到初始识别网络模型的流程示意图；
53.图5为一个实施例中训练得到初始域分类器的流程示意图；
54.图6为一个实施例中人脸识别器生成方法的整体流程示意图；
55.图7为一个实施例中人脸识别器生成装置的结构框图；
56.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
57.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
58.本技术实施例提供的人脸识别器生成方法涉及人工智能技术，其中，人工智能(artificial intelligence,ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
59.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。而计算机视觉技术(computervision,cv)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、ocr、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3d技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
60.随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得
到应用，并发挥越来越重要的价值。
61.本技术实施例提供的人脸识别器生成方法，涉及人工智能的图像识别等技术，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104通过采用初始训练获得的初始识别网络模型，对训练样本集中的训练样本进行人脸特征识别，获得对应的人脸特征，其中，训练样本包括第一类别人脸图片和第二类别人脸图片，训练样本集可存储只终端102本地，也可存储在与服务器104对应的数据存储系统中。服务器104通过采用初始训练获得的初始域分类器，对人脸特征进行分类识别，生成对应的分类结果，进而基于人脸特征和分类结果，对初始识别网络模型和初始域分类器进行对抗训练，并将训练结束时的初始识别网络模型作为训练好的人脸识别器。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能语音交互设备、智能音箱、智能电视、智能空调、智能车载设备以及飞行器等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本发明实施例可应用于各种场景，包括但不限于云技术、人工智能、智慧交通、辅助驾驶等。
62.在一个实施例中，如图2所示，提供了一种人脸识别器生成方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
63.步骤s202，采用初始训练获得的初始识别网络模型，对训练样本集中的训练样本进行人脸特征识别，获得对应的人脸特征。
64.具体地，通过利用训练样本集对原始识别模型进行初始训练，以得到经初始训练后的初始识别模型，进而利用初始识别模型对训练样本集中的各训练样本进行人脸特征识别，以获得对应的人脸特征。
65.其中，训练样本包括第一类别人脸图片和第二类别人脸图片，第一类别人脸图片可以是真实人脸图片，而第二类别人脸图片可以是卡通人脸图片。由于卡通人脸图片的数据规模较小，进而本实施例中通过将真实人脸图片和卡通人脸图片均作为训练样本，通过对抗训练，使得获取到卡通人脸图片和真实人脸图片之间的共同分布信息，从而可基于共同分布信息，利用大量的真实人脸图片训练数据，对卡通人脸图片训练数据进行扩充。其中，通过将卡通人脸图片的特征空间与正常人脸图片的特征空间进行对齐后，可利用正常人脸图片在空间中的分类能力，提升卡通人脸图片在特征空间中的分类能力。
66.在一个实施例中，初始识别网络模型用于对训练样本进行人脸特征识别，获得对应的人脸特征，并进一步根据所获取的人脸特征，以及与人脸特征对应的训练样本的标签信息，计算得到人脸目标识别函数值，进而根据人脸目标识别函数值的大小确定出训练样本所属的用户身份。
67.具体地，训练样本的标签信息可以理解为对应训练样本的id信息，根据id信息所表示的人物身份信息和所识别得到的人脸特征，确定两者之间的人脸目标识别函数值，并判断人脸目标识别函数值和预设识别函数阈值之间的差值是否小于预设差值。
68.其中，当人脸目标识别函数值和预设识别函数阈值之间的差值，小于预设差值时，表明当前人脸特征识别所确定出的用户身份和预先标注的人物身份信息一致，当前人脸识
别结果正确。
69.进一步地，当初始识别网络模型用于对真实人脸图片进行识别时，可确定出训练样本所属的真实用户身份，而当初始识别网络模型用于对卡通人脸图片进行识别时，则可确定训练样本所属的具体卡通人物形象。
70.步骤s204，采用初始训练获得的初始域分类器，对人脸特征进行分类识别，生成对应的分类结果。
71.具体地，通过利用初始识别网络模型所输出的人脸特征，对原始分类器进行初始训练，得到经初始训练后的初始域分类器，进而利用初始域分类器，对促使识别网络模型所输出的人脸特征进行分类识别，以生成对应的分类结果。
72.其中，分类结果包括第一类别标签和第二类别标签，第一类别标签与第一类别人脸特征对应，第二类别标签则与第二类别人脸特征对应。其中，第一类别人脸特征从作为训练样本的第一类别人脸图片中提取得到，第二类别人脸特征则从作为训练样本的第二类别人脸图片中提取得到。
73.进一步地，第一类别人脸图片可以是真实人脸图片，而第二类别人脸图片可以是卡通人脸图片，两者也可以互换，即第一类别和第二类别只起到区分作用，不进行具体限定，本实施例的目的在于让初始识别网络模型可学习到不同类别的人脸图片之间的共同分布，以达到扩充数量规格小的图片类别的训练数据集的目的。
74.步骤s206，基于人脸特征和分类结果，对初始识别网络模型和初始域分类器进行对抗训练，并将训练结束时的初始识别网络模型作为训练好的人脸识别器。
75.具体地，通过将分类结果以反向作用叠加至初始识别网络模型，以更新初始识别网络模型，并根据更新后的初始识别网络模型输出的人脸特征，对初始域分类器的第一参数进行调整。进而在确定对抗训练的第一迭代次数、或初始识别网络模型和初始域分类器的联合损失函数值满足第一训练结束条件时，将训练结束时的初始识别网络模型作为训练好的人脸识别器。
76.进一步地，初始域分类器反馈的分类结果包括人脸特征属于第一类别标签或第二类别标签，而初始域分类器的训练方式为梯度下降方式，即尽可能取小的损失函数，以提升初始域分类器的分类准确率。而将初始域分类器反馈的分类结果的反作用叠加至初始网络识别模型时，是将梯度作为调整单元，即根据梯度对初始识别网络模型的第二参数进行调整，而不是对初始识别网络模型的目标函数进行调整，但是由于反向梯度调整时，导致初始识别网络模型的人脸识别目标函数值发生变化，有可能导致人脸识别能力变差，进而需要利用人脸识别目标函数进行约束，使得调整第二参数的同时，尽可能维持初始识别网络模型具备的人脸识别的能力。
77.同样地，当进行模型参数调整后得到的更新后的初始识别网络模型时，将更新后的初始识别网络模型所提取的人脸特征，反馈至初始域分类器时，初始域分类器本身的目标函数也不发生变化，但是初始域分类器的第一参数会进行调整，也就是说，对抗训练过程中的初始识别网络模型和初始域分类器是相互抗衡，互相影响的。
78.其中，对初始识别网络模型和初始域分类器进行对抗训练的目的，在于使得初始识别网络模型，可以学习到初始域分类器反馈的不同类别的人脸图片之间的共同分布，通过对初始识别网络模型的模型参数进行调整，以得到更新后的初始识别网络模型，并在将
更新后的初始识别网络模型所提取的人脸特征，反馈至初始域分类器进行分类识别时，使得初始域分类器无法准确识别出人脸特征具体是属于第一类别标签还是属于第二类别标签。
79.可以理解的是，在训练过程中，初始识别网络模型的训练目标在于获取不同类别的人脸图片的共同分布，而初始域分类器的训练目标在于识别出初始识别网络模型反馈的人脸特征所属的人脸类别。但对抗训练可以实现初始识别网络模型和初始域分类器之间的相互调整和更新，以在达到对抗训练的第一迭代次数，或初始识别网络模型和初始域分类器的联合损失函数值满足第一训练结束条件时，两者最终达到对抗平衡状态，则将训练结束时的初始识别网络模型作为训练好的人脸识别器，而初始域分类器则作为辅助训练件，无需在后续进行模型部署时使用，只需要导出训练好的人脸识别器即可。
80.在一个实施例中，在得到训练好的人脸识别器后，还包括：导出训练好的人脸识别器，并将训练好的人脸识别器部署至人脸识别系统中。
81.具体地，由于初始域分类器是作为辅助训练件，目的在于实现初始识别网络模型和初始域分类器之间的对抗训练，但无需在后续进行模型部署时使用，只需要导出训练好的人脸识别器，并将练好的人脸识别器部署至人脸识别系统中。
82.其中，人脸识别系统可以是真实人脸识别系统，也可以是卡通人脸识别系统，在本实施例中，由于卡通人脸数据规模较小，进行人脸识别器训练时，需要利用真实人脸图片进行训练数据扩充，进而可利用扩充后的训练数据训练得到人脸识别器，并将该人脸识别器应用于卡通人脸识别系统中，以识别出具体的卡通人物形象，提升卡通人物识别准确率。
83.上述人脸识别器生成方法中，通过采用初始训练获得的初始识别网络模型，对训练样本集中的训练样本进行人脸特征识别，获得对应的人脸特征，并采用初始训练获得的初始域分类器，对人脸特征进行分类识别，生成对应的分类结果。进而可基于人脸特征和分类结果，对初始识别网络模型和初始域分类器进行对抗训练，并将训练结束时的初始识别网络模型作为训练好的人脸识别器。该方法中由于初始识别网络模型以及初始域分类器进行了对抗训练，从而使得训练好的人脸识别器，可在对抗学习过程学习到不同类别的人脸图片之间的共同分布，从而可根据具有共同分布的人脸图片，对训练样本数据匮乏的人脸类别图片进行数据扩充，以根据数据扩充后的训练样本数据训练得到应用场景下的人脸识别器，进而可在不同实际应用场景下，对该场景下的的待识别人脸图片进行精准人脸识别，确定该些待识别人脸图片所属的人物形象，以提升了人脸识别的准确率。
84.在一个实施例中，如图3所示，得到训练好的人脸识别器的步骤，即基于人脸特征和分类结果，对初始识别网络模型和初始域分类器进行对抗训练，并将训练结束时的初始识别网络模型作为训练好的人脸识别器的步骤，具体包括：
85.步骤s302，将分类结果以反向作用叠加至初始识别网络模型，以更新初始识别网络模型。
86.具体地，通过获取初始域分类器反馈的分类结果，并根据分类结果的反作用，确定对应的参数调整策略，进而根据所确定的参数调整策略，在对应的参数调整周期内，对初始识别网络模型的第二参数进行调整，以得到更新后的识别网络模型。
87.其中，初始域分类器的训练目标在于识别出初始识别网络模型反馈的人脸特征所属的人脸类别，则初始域分类器反馈的分类结果则为人脸特征属于第一类别标签还是属于
第二类别标签。初始域分类器的训练方式为梯度下降方式，即通过梯度下降的方式，不断减小初始域分类器的损失函数，提升其分类识别准确度，比如采用随机梯度下降(sgd，stochastic gradient descent)、自适应梯度算法(adagrad，adaptive gradient)、批量梯度下降(bgd，batch gradient descent)、自适应矩阵估计算法(adam，adaptive moment estimation)、以及带动量项的随机梯度下降等方式，对初始域分类器进行训练优化。
88.进一步地，由于初始域分类器需要采用梯度下降的方式进行优化训练，来使得所识别出的人脸特征所属的类别标签更加准确，进而分类结果的反作用即体现为反向梯度调整，即参数调整策略为采用梯度上升的方式，将梯度作为调整单元，对初始识别网络模型的第二参数进行调整时，采用梯度上升的方式，使得参数调整后的初始识别网络模型，可以学习到不同类别的人脸图片之间的共同分布。
89.步骤s304，根据更新后的初始识别网络模型输出的人脸特征，对初始域分类器的第一参数进行调整。
90.具体地，对初始识别网络模型进行更新后，进一步获取更新后的初始识别网络模型所输出的更新后的人脸特征，并将更新后的人脸特征输入初始域分类器，通过更新后的人脸特征对初始域分类器进行训练和更新，具体来说是通过更新后的人脸特征对初始域分类器的第一参数进行调整。
91.其中，对抗训练的目的在于实现初始识别网络模型和初始域分类器之间的相互调整和更新，两者最终达到对抗平衡状态，使得初始识别网络模型，可以学习到初始域分类器反馈的不同类别的人脸图片之间的共同分布，而通过对初始识别网络模型的第二参数进行调整，以得到更新后的初始识别网络模型，并在将更新后的初始识别网络模型所提取的人脸特征，反馈至初始域分类器进行分类识别时，使得初始域分类器无法准确识别出人脸特征具体是属于第一类别标签还是属于第二类别标签。
92.在一个实施例中，在对初始识别网络模型和初始域分类器进行对抗训练的训练过程中，具体采用以下公式(1)和公式(2)进行对抗训练表示：
93.r(x)＝x
ꢀꢀꢀ
(1)；
[0094][0095]
其中，对抗训练层的作用为在做前向时，其输入与输出一致，即用公式(1)进行表示，而当做向后时，即叠加反向作用进行梯度更新时，则用公式(2)中添加负号
“‑”
表示反向作用。其中，公式(1)中，x表示输入数据，r(x)表示经过对抗训练层前向作用后的响应，即体现为输入输出一致。公式(2)中，表示对抗训练层反向作用时，对响应函数进行求导可得到梯度调整程度，也可理解为是具体的参数调整策略，i表示梯度，γ表示随迭代步数p变化的函数，在公式(2)中，梯度i取反，对响应函数进行求导得到梯度具体的梯度调整程度。
[0096]
进一步地，随迭代步数p变化的函数γ用以下公式(3)和(4)进行表示：
[0097][0098]
γ＝{0；ifp％3≠0
ꢀꢀꢀ
(4)；
[0099]
其中，p表示当前迭代次数，k为总迭代次数，当p除以3的余数等于0时，根据公式
(3)调整函数γ，以达到对梯度调整程度进行调整的目的，而在公式(4)中，当p除以3的余数不等于0时，则γ函数取值为0，进而梯度调整程度也为0，无需进行调整。
[0100]
具体来说，在对抗训练过程中，根据公式(3)和(4)，可进一步确定出参数调整周期，体现为初始域分类器先训练两步，即向下调整两个梯度，到得到第三步的分类结果时，向初始识别网络模型传递一个反向梯度，即向上调整初始识别网络模型的第二参数。进而当对抗训练的第一迭代次数、或初始识别网络模型和初始域分类器的联合损失函数值满足第一训练结束条件时，训练结束，进而将训练结束时的初始识别网络模型作为训练好的人脸识别器。
[0101]
步骤s306，当确定对抗训练的第一迭代次数、或初始识别网络模型和初始域分类器的联合损失函数值满足第一训练结束条件时，将训练结束时的初始识别网络模型作为训练好的人脸识别器。
[0102]
具体地，当确定对抗训练的第一迭代次数满足第一训练结束条件，或者初始识别网络模型和初始域分类器的联合损失函数值满足第一训练结束条件时，训练结束，并将训练结束时的初始识别网络模型作为训练好的人脸识别器。
[0103]
其中，第一迭代次数满足第一训练结束条件，表示第一迭代次数达到对应的第一次数阈值，而初始识别网络模型和初始域分类器的联合损失函数值满足第一训练结束条件，则表示联合损失函数之达到对应的第一损失阈值。
[0104]
本实施例中，通过将分类结果以反向作用叠加至初始识别网络模型，以更新初始识别网络模型，并根据更新后的初始识别网络模型输出的人脸特征，对初始域分类器的第一参数进行调整。进而在确定对抗训练的第一迭代次数、或初始识别网络模型和初始域分类器的联合损失函数值满足第一训练结束条件时，将训练结束时的初始识别网络模型作为训练好的人脸识别器。实现了对初始识别网络模型以及初始域分类器之间的对抗训练，和各自的参数调整，使得最终训练好的人脸识别器，可在对抗学习过程学习到不同类别的人脸图片之间的共同分布，以根据数据扩充后的训练样本数据训练得到应用场景下的人脸识别器，进而可在不同实际应用场景下，对该场景下的的待识别人脸图片进行精准人脸识别。
[0105]
在一个实施例中，根据所确定的参数调整策略，在对应的梯度调整周期内，对初始识别网络模型的第二参数进行调整，得到更新后的初始识别网络模型的步骤，包括：
[0106]
获取当前训练过程中的当前迭代次数，并根据当前迭代次数和预设总迭代次数，确定对应的参数调整周期；在参数调整周期内，根据所确定的参数调整策略，对初始识别网络模型的第二参数进行调整，得到更新后的初始识别网络模型。
[0107]
具体地，通过获取当前训练过程中的当前迭代次数，并获取预设总迭代次数，进而确定当前迭代次数除以3的余数是否为0，当确定当前迭代次数除以3的余数为0时，根据当前迭代次数和预设总迭代次数进行参数调整周期计算，确定对应的参数调整周期。
[0108]
其中，参数调整策略基于分类结果的反向作用确定得到，而在在确定出参数调整周期后，进一步根据所确定的参数调整策略，在对应的参数调整周期内，对初始识别网络模型的第二参数进行调整。
[0109]
本实施例中，通过获取当前训练过程中的当前迭代次数，并根据当前迭代次数和预设总迭代次数，确定对应的参数调整周期，进而在参数调整周期内，根据所确定的参数调整策略，对初始识别网络模型的第二参数进行调整，得到更新后的初始识别网络模型。实现
了在相应参数调整周期内，按照所确定出的参数调整策略对初始识别网络模型的第二参数进行调整，以使得更新后的初始识别网络模型可获取不同类别的人脸图片的共同分布，进而根据具有共同分布的人脸图片，进行数据扩充，以根据数据扩充后的训练样本数据训练得到应用场景下的人脸识别器，进而可在不同实际应用场景下，对该场景下的的待识别人脸图片进行精准人脸识别。
[0110]
在一个实施例中，初始域分类器识别的分类结果包括第一类别标签和第二类别标签，人脸特征包括与第一类别标签对应的第一类别人脸特征，以及与第二类别标签对应的第二人脸类别特征。基于分类结果的反向作用确定对应的参数调整策略的步骤，包括：
[0111]
基于分类结果的反向作用，确定与第一类别标签对应的第一类别人脸特征，以及与第二类别标签对应的第二类别人脸特征之间的共同分布信息；根据共同分布信息，确定对应的参数调整策略。
[0112]
具体地，根据初始域分类器反馈的分类结果的反向作用，实现根据第一类别人脸特征对第二类别人脸特征进行特征微调，以及进行第一类别人脸特征和第二类别人脸特征之间的特征空间对其，以确定出与第一类别标签对应的第一类别人脸特征，以及与第二类别标签对应的第二类别人脸特征之间的共同分布信息，进一步根据共同分布信息，确定对应的参数调整策略。
[0113]
其中，参数调整策略可理解为利用对抗训练层，对初始识别网络模型和初始域分类器进行对抗训练过程中，将初始域分类器反馈的分类结果的反向作用，叠加至初始识别网络模型时，根据共同分布信息确定相应的梯度调整程度，并将所确定的梯度调整程度作为参数调整策略，即将梯度作为调整单元，对初始识别网络模型的第二参数进行反向梯度调整，得到更新后的初始识别网络模型。
[0114]
本实施例中，基于分类结果的反向作用，确定与第一类别标签对应的第一类别人脸特征，以及与第二类别标签对应的第二类别人脸特征之间的共同分布信息，进而根据共同分布信息，确定对应的参数调整策略。实现了根据共同分布信息确定出参数调整策略，以根据参数调整策略对初始识别网络模型的参数调整，使得更新后的初始识别网络模型可学习到不同类别的人脸图片之间的共同分布，实现根据具有共同分布的人脸图片，对训练样本数据匮乏的人脸类别图片进行数据扩充，以根据数据扩充后的训练样本数据训练得到应用场景下的人脸识别器，并提升人脸识别器的人脸识别准确率。
[0115]
在一个实施例中，如图4所示，训练得到初始识别网络模型的步骤，具体包括：
[0116]
步骤s402，通过原始识别网络模型识别训练样本集中各训练样本对应的人脸特征图，并提取与人脸特征图对应的人脸特征。
[0117]
具体地，通过将第一类别人脸图片和第二人脸图片作为同一批次的训练样本集，即同时将多张第一类别人脸图片和第二类别人脸图片作为训练样本集，输入原始识别网络模型中，通过原始识别网络模型识别训练样本集中各训练样本对应的人脸特征图，并提取所识别到的人脸特征图对应的人脸特征。
[0118]
其中，第一类别人脸图片可以是真实人脸图片，而第二类别人脸图片可以是卡通人脸图片，两者也可以互换，即第一类别和第二类别只起到区分作用，不进行具体限定。
[0119]
进一步地，具体是通过对训练样本进行空间特征提取，以得到训练样本对应的人脸特征图，所得到的人脸特征图保留有训练样本的空间结构信息。其中，具体是采用卷积神
经网络(cnn)，对训练样本进行有卷积(convolution)计算、非线性激活函数(relu)计算以及池化(pooling)计算等操作，提取出训练样本的人脸特征图。进而通过将人脸特征图输入全连接映射网络中，输出得到人脸特征图对应的人脸特征，该人脸特征可用向量的形式进行表示。
[0120]
步骤s404，基于人脸特征，以及训练样本集中与人脸特征图对应的训练样本的标签信息，确定对应的人脸识别目标函数值。
[0121]
具体地，获取全连接映射网络输出的人脸特征，和产生人脸特征的人脸图片的标签信息，即训练样本集中与人脸特征图对应的训练样本的标签信息，并根据人脸特征和标签信息作为输入数据，计算出所选定的人脸识别目标函数的人脸识别目标函数值。
[0122]
其中，人脸识别目标函数可选用分类函数，比如softmax函数、各类添加margin类型的softmax函数，也可采用其他类型的目标函数。
[0123]
步骤s406，利用梯度下降的方式，对原始识别网络模型进行更新，直至人脸识别目标函数值或迭代训练的第二迭代次数满足第二训练停止条件时，获得经初始训练后的初始识别网络模型。
[0124]
具体地，初始识别网络模型的训练方式为梯度下降方式，即通过梯度下降的方式，不断减小初始识别网络模型的损失函数，提升其识别准确度，比如采用随机梯度下降(sgd，stochastic gradient descent)、自适应梯度算法(adagrad，adaptive gradient)、批量梯度下降(bgd，batch gradient descent)、自适应矩阵估计算法(adam，adaptive moment estimation)、以及带动量项的随机梯度下降等方式，对原始识别网络模型进行训练优化，实现原始识别网络模型的更新，以得到经初始训练的初始识别网络模型。
[0125]
进一步地，当人脸识别目标函数值满足第二训练停止条件，或迭代训练的第二迭代次数满足第二训练停止条件时，训练结束，获得经初始训练后的初始识别网络模型。
[0126]
其中，人脸识别目标函数值满足第二训练停止条件，表示人脸识别目标函数的损失值小于对应的第二损失阈值，迭代训练的第二迭代次数满足第二训练停止条件，表示第二迭代次数达到对应的第二次数阈值。
[0127]
本实施例中，通过原始识别网络模型识别训练样本集中各训练样本对应的人脸特征图，并提取与人脸特征图对应的人脸特征。进而基于人脸特征，以及训练样本集中与人脸特征图对应的训练样本的标签信息，确定对应的人脸识别目标函数值。利用梯度下降的方式，对原始识别网络模型进行更新，直至人脸识别目标函数值或迭代训练的第二迭代次数满足第二训练停止条件时，获得经初始训练后的初始识别网络模型。实现了对原始识别网络模型的迭代、优化训练，直至达到相应的第二训练停止条件，得到训练好的初始识别网络模型，减少了当前原始识别网络模型的识别误差率，以便后续进行进一步对抗训练时，减少不必要的误差因素，以进一步提升最终所生成的人脸识别器的人脸识别准确率。
[0128]
在一个实施例中，如图5所示，训练得到初始域分类器的步骤，具体包括：
[0129]
步骤s502，获取初始识别网络模型输出的人脸特征。
[0130]
具体地，通过将训练样本集中的各训练样本输入初始识别网络模型中，并获取获取初始识别网络模型所输出人脸特征，以将人脸特征作为原始分类器的输入数据，通过人脸特征对原始分类器进行初始训练。
[0131]
其中，可采用网络搜索(nas)的方式，对域分类器的接入点进行优化，确定出初始
域分类器与初始识别网络模型之间的接入位置，即搜索得到最佳接入点，建立初始域分类器和初始识别网络模型之间的连接。
[0132]
步骤s504，通过原始分类器进行识别人脸特征，输出与各人脸特征对应的类别标签。
[0133]
具体地，通过将人脸特征输入原始分类器中，通过原始分类器对人脸特征进行识别，输出对与各人脸特征对应的类别标签。其中，类别标签包括第一类别标签和第二类别标签，根据输出结果可确定出人脸特征所属的类别，即具体是第一人脸类别还是第二人脸类别。
[0134]
举例来说，人脸图片可以包括卡通人脸图片和真实人脸图片，则可根据输出结果可确定出人脸特征所属的类别，即训练样本具体是真实人脸图片还是卡通人脸图片。
[0135]
进一步地，具体是采用由卷积神经网络组成的分类网络，即原始分类器，对人脸特征进行卷积(convolution)计算、非线性激活函数(relu)计算以及池化(pooling)计算等操作，确定出人脸特征所属的类别。其中，该原始分类器的结构也可为全连接网络，可根据其输入进行调整，同时该分类网络的输入，可以为初始识别网络模型的中间层所输出的人脸特征，也可以为最后层所输出的人脸特征。
[0136]
步骤s506，基于识别得到的类别标签，以及训练样本集中与人脸特征对应的训练样本的预标注类别标签，确定对应的损失函数值。
[0137]
具体地，将识别得到的类别标签，以及训练样本集中与人脸特征对应的训练样本的预标注类别标签，作为输入数据，计算交叉熵目标函数的损失函数值。
[0138]
进一步地，交叉熵目标函数属于二分类交叉熵公式，采用以下公式(5)对损失函数值进行表示：
[0139][0140]
其中，l表示交叉熵目标函数的损失值，y表示类别标签，t表示是分类网络的输出概率，i表示样本数量。
[0141]
步骤s508，采用梯度下降的方式，对原始分类器进行更新，直至损失函数值或迭代训练的第三迭代次数满足第三训练停止条件时，获得经初始训练后的初始域分类器。
[0142]
具体地，初始域分类器的训练方式为梯度下降方式，即通过梯度下降的方式，不断减小初始域分类器的损失函数，提升其分类识别准确度，比如采用随机梯度下降(sgd，stochastic gradient descent)、自适应梯度算法(adagrad，adaptive gradient)、批量梯度下降(bgd，batch gradient descent)、自适应矩阵估计算法(adam，adaptive moment estimation)、以及带动量项的随机梯度下降等方式，对初始域分类器进行训练优化。
[0143]
进一步地，当交叉熵目标函数的损失函数值满足第三训练停止条件，或迭代训练的第三迭代次数满足第三训练停止条件时，训练结束，获得经初始训练后的初始域分类器。
[0144]
其中，交叉熵目标函数的损失函数值满足第三训练停止条件，表示交叉熵目标函数的损失函数值小于对应的第三损失阈值，迭代训练的第三迭代次数满足第三训练停止条件，表示第三迭代次数达到对应的第三次数阈值。
[0145]
本实施例中，获取初始识别网络模型输出的人脸特征，并利用原始分类器进行识
别人脸特征，输出与各人脸特征对应的类别标签。进而基于识别得到的类别标签，以及训练样本集中与人脸特征对应的训练样本的预标注类别标签，确定对应的损失函数值。通过采用梯度下降的方式，对原始分类器进行更新，直至损失函数值或迭代训练的第三迭代次数满足第三训练停止条件时，获得经初始训练后的初始域分类器。实现了对原始分类器的迭代、优化训练，直至达到相应的第三训练停止条件，得到训练好的初始域分类器，减少了当前原始分类器的识别误差率，以便后续进行进一步对抗训练时，减少不必要的误差因素，以进一步提升最终所生成的人脸识别器的人脸识别准确率。
[0146]
在一个实施例中，如图6所示，提供了一种人脸识别器生成方法，具体包括以下步骤：
[0147]
步骤1)，通过原始识别网络模型识别训练样本集中各训练样本对应的人脸特征图，并提取与人脸特征图对应的人脸特征。
[0148]
步骤2)，基于人脸特征，以及训练样本集中与人脸特征图对应的训练样本的标签信息，确定对应的人脸识别目标函数值。
[0149]
步骤3)，利用梯度下降的方式，对原始识别网络模型进行更新，判断人脸识别目标函数值或迭代训练的第二迭代次数是否满足第二训练停止条件。
[0150]
步骤4)，当确定满足第二训练停止条件时，获得经初始训练后的初始识别网络模型。
[0151]
步骤5)，获取初始识别网络模型输出的人脸特征，并通过原始分类器进行识别人脸特征，输出与各人脸特征对应的类别标签。
[0152]
步骤6)，基于识别得到的类别标签，以及训练样本集中与人脸特征对应的训练样本的预标注类别标签，确定对应的损失函数值。
[0153]
步骤7)，采用梯度下降的方式，对原始分类器进行更新，判断损失函数值或迭代训练的第三迭代次数是否满足第三训练停止条件。
[0154]
步骤8)，当确定满足第三训练停止条件时，获得经初始训练后的初始域分类器。
[0155]
步骤9)，采用初始训练获得的初始识别网络模型，对训练样本集中的训练样本进行人脸特征识别，获得对应的人脸特征。
[0156]
步骤10)，采用初始训练获得的初始域分类器，对人脸特征进行分类识别，生成对应的分类结果。
[0157]
步骤11)，基于分类结果的反向作用，确定与第一类别标签对应的第一类别人脸特征，以及与第二类别标签对应的第二类别人脸特征之间的共同分布信息。
[0158]
步骤12)，根据共同分布信息，确定对应的参数调整策略。
[0159]
步骤13)，获取当前训练过程中的当前迭代次数，并根据当前迭代次数和预设总迭代次数，确定对应的参数调整周期。
[0160]
步骤14)，在参数调整周期内，根据所确定的参数调整策略，对初始识别网络模型的第二参数进行调整，得到更新后的初始识别网络模型。
[0161]
步骤15)，根据更新后的初始识别网络模型输出的人脸特征，对初始域分类器的第一参数进行调整。
[0162]
步骤16)，判断对抗训练的第一迭代次数、或初始识别网络模型和初始域分类器的联合损失函数值满足是否满足对抗训练的第一训练结束条件。
[0163]
步骤17)，当确定满足第一训练结束条件是，将训练结束时的初始识别网络模型作为训练好的人脸识别器。
[0164]
步骤18)，导出训练好的人脸识别器，并将训练好的人脸识别器部署至人脸识别系统中。
[0165]
本实施例中，通过采用初始训练获得的初始识别网络模型，对训练样本集中的训练样本进行人脸特征识别，获得对应的人脸特征，并采用初始训练获得的初始域分类器，对人脸特征进行分类识别，生成对应的分类结果。进而可基于人脸特征和分类结果，对初始识别网络模型和初始域分类器进行对抗训练，并将训练结束时的初始识别网络模型作为训练好的人脸识别器。该方法中由于识别网络模型以及域分类器进行了对抗训练，从而使得训练好的人脸识别器，可在对抗学习过程学习到不同类别的人脸图片之间的共同分布，从而可根据具有共同分布的人脸图片，对训练样本数据匮乏的人脸类别图片进行数据扩充，以根据数据扩充后的训练样本数据训练得到应用场景下的人脸识别器，进而可在不同实际应用场景下，对该场景下的的待识别人脸图片进行精准人脸识别，确定该些待识别人脸图片所属的人物形象，以提升了人脸识别的准确率。
[0166]
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0167]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的人脸识别器生成方法的人脸识别器生成装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个人脸识别器生成装置实施例中的具体限定可以参见上文中对于人脸识别器生成方法的限定，在此不再赘述。
[0168]
在一个实施例中，如图7所示，提供了一种人脸识别器生成装置，包括：人脸特征识别模块702、分类识别模块704以及人脸识别器生成模块706，其中：
[0169]
人脸特征识别模块702，用于采用初始训练获得的初始识别网络模型，对训练样本集中的训练样本进行人脸特征识别，获得对应的人脸特征；训练样本包括第一类别人脸图片和第二类别人脸图片。
[0170]
分类识别模块704，用于采用初始训练获得的初始域分类器，对人脸特征进行分类识别，生成对应的分类结果。
[0171]
人脸识别器生成模块706，用于基于人脸特征和分类结果，对初始识别网络模型和初始域分类器进行对抗训练，并将训练结束时的初始识别网络模型作为训练好的人脸识别器。
[0172]
上述人脸识别器生成装置中，通过采用初始训练获得的初始识别网络模型，对训练样本集中的训练样本进行人脸特征识别，获得对应的人脸特征，并采用初始训练获得的初始域分类器，对人脸特征进行分类识别，生成对应的分类结果。进而可基于人脸特征和分类结果，对初始识别网络模型和初始域分类器进行对抗训练，并将训练结束时的初始识别
网络模型作为训练好的人脸识别器。该方法中由于识别网络模型以及域分类器进行了对抗训练，从而使得训练好的人脸识别器，可在对抗学习过程学习到不同类别的人脸图片之间的共同分布，从而可根据具有共同分布的人脸图片，对训练样本数据匮乏的人脸类别图片进行数据扩充，以根据数据扩充后的训练样本数据训练得到应用场景下的人脸识别器，进而可在不同实际应用场景下，对该场景下的的待识别人脸图片进行精准人脸识别，确定该些待识别人脸图片所属的人物形象，以提升了人脸识别的准确率。
[0173]
在一个实施例中，人脸识别器生成模块还用于：
[0174]
将分类结果以反向作用叠加至初始识别网络模型，以更新初始识别网络模型；根据更新后的初始识别网络模型输出的人脸特征，对初始域分类器的第一参数进行调整；当确定对抗训练的第一迭代次数、或初始识别网络模型和初始域分类器的联合损失函数值满足第一训练结束条件时，将训练结束时的初始识别网络模型作为训练好的人脸识别器。
[0175]
在一个实施例中，人脸识别器生成模块还用于：
[0176]
基于分类结果的反向作用确定对应的参数调整策略；根据确定的参数调整策略，在对应的参数调整周期内，对初始识别网络模型的第二参数进行调整，得到更新后的初始识别网络模型。
[0177]
在一个实施例中，人脸识别器生成模块还用于：
[0178]
获取当前训练过程中的当前迭代次数，并根据当前迭代次数和预设总迭代次数，确定对应的参数调整周期；在参数调整周期内，根据所确定的参数调整策略，对初始识别网络模型的第二参数进行调整，得到更新后的初始识别网络模型。
[0179]
在一个实施例中，人脸识别器生成模块还用于：
[0180]
基于分类结果的反向作用，确定与第一类别标签对应的第一类别人脸特征，以及与第二类别标签对应的第二类别人脸特征之间的共同分布信息；根据共同分布信息，确定对应的参数调整策略。
[0181]
在一个实施例中，提供了一种人脸识别器生成装置，还包括初始识别模型生成模块，用于：
[0182]
通过原始识别网络模型识别训练样本集中各训练样本对应的人脸特征图，并提取与人脸特征图对应的人脸特征；基于人脸特征，以及训练样本集中与人脸特征图对应的训练样本的标签信息，确定对应的人脸识别目标函数值；利用梯度下降的方式，对原始识别网络模型进行更新，直至人脸识别目标函数值或迭代训练的第二迭代次数满足第二训练停止条件时，获得经初始训练后的初始识别网络模型。
[0183]
在一个实施例中，提供了一种人脸识别器生成装置，还包括初始域分类器生成模块，用于：
[0184]
获取初始识别网络模型输出的人脸特征；通过原始分类器进行识别人脸特征，输出与各人脸特征对应的类别标签；基于识别得到的类别标签，以及训练样本集中与人脸特征对应的训练样本的预标注类别标签，确定对应的损失函数值；采用梯度下降的方式，对原始分类器进行更新，直至损失函数值或迭代训练的第三迭代次数满足第三训练停止条件时，获得经初始训练后的初始域分类器。
[0185]
上述人脸识别器生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件
形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0186]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(input/output，简称i/o)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储第一类别人脸图片、第二类别人脸图片、人脸特征、分类结果、初始识别网络模型、初始域分类器以及训练好的人脸识别器等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人脸识别器生成方法。
[0187]
本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0188]
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0189]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0190]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0191]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
[0192]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形
处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0193]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0194]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种人脸识别器生成方法，其特征在于，所述方法包括：采用初始训练获得的初始识别网络模型，对训练样本集中的训练样本进行人脸特征识别，获得对应的人脸特征；所述训练样本包括第一类别人脸图片和第二类别人脸图片；采用初始训练获得的初始域分类器，对所述人脸特征进行分类识别，生成对应的分类结果；基于所述人脸特征和所述分类结果，对所述初始识别网络模型和所述初始域分类器进行对抗训练，并将训练结束时的初始识别网络模型作为训练好的人脸识别器。2.根据权利要求1所述的方法，其特征在于，所述基于所述人脸特征和所述分类结果，对所述初始识别网络模型和所述初始域分类器进行对抗训练，并将训练结束时的初始识别网络模型作为训练好的人脸识别器，包括：将所述分类结果以反向作用叠加至所述初始识别网络模型，以更新所述初始识别网络模型；根据更新后的所述初始识别网络模型输出的人脸特征，对所述初始域分类器的第一参数进行调整；当确定所述对抗训练的第一迭代次数、或所述初始识别网络模型和所述初始域分类器的联合损失函数值满足第一训练结束条件时，将训练结束时的初始识别网络模型作为训练好的人脸识别器。3.根据权利要求2所述的方法，其特征在于，所述将所述分类结果以反向作用叠加至所述初始识别网络模型，以更新所述初始识别网络模型，包括：基于所述分类结果的反向作用确定对应的参数调整策略；根据确定的所述参数调整策略，在对应的参数调整周期内，对所述初始识别网络模型的第二参数进行调整，得到更新后的初始识别网络模型。4.根据权利要求3所述的方法，其特征在于，所述根据所确定的所述参数调整策略，在对应的梯度调整周期内，对所述初始识别网络模型的第二参数进行调整，得到更新后的初始识别网络模型，包括：获取当前训练过程中的当前迭代次数，并根据所述当前迭代次数和预设总迭代次数，确定对应的参数调整周期；在所述参数调整周期内，根据所确定的所述参数调整策略，对所述初始识别网络模型的第二参数进行调整，得到更新后的所述初始识别网络模型。5.根据权利要求3所述的方法，其特征在于，所述初始域分类器识别的分类结果包括第一类别标签和第二类别标签，所述人脸特征包括与所述第一类别标签对应的第一类别人脸特征，以及与所述第二类别标签对应的第二人脸类别特征；所述基于所述分类结果的反向作用确定对应的参数调整策略，包括：基于所述分类结果的反向作用，确定与所述第一类别标签对应的第一类别人脸特征，以及与所述第二类别标签对应的第二类别人脸特征之间的共同分布信息；根据所述共同分布信息，确定对应的参数调整策略。6.根据权利要求1至5任意一项所述的方法，其特征在于，训练得到所述初始识别网络模型的方式，包括：通过原始识别网络模型识别所述训练样本集中各训练样本对应的人脸特征图，并提取
与所述人脸特征图对应的人脸特征；基于所述人脸特征，以及所述训练样本集中与所述人脸特征图对应的训练样本的标签信息，确定对应的人脸识别目标函数值；利用梯度下降的方式，对所述原始识别网络模型进行更新，直至所述人脸识别目标函数值或迭代训练的第二迭代次数满足第二训练停止条件时，获得经初始训练后的初始识别网络模型。7.根据权利要求1至5任意一项所述的方法，其特征在于，训练得到所述初始域分类器的方式，包括：获取所述初始识别网络模型输出的人脸特征；通过原始分类器进行识别所述人脸特征，输出与各所述人脸特征对应的类别标签；基于识别得到的所述类别标签，以及所述训练样本集中与所述人脸特征对应的训练样本的预标注类别标签，确定对应的损失函数值；采用梯度下降的方式，对所述原始分类器进行更新，直至所述损失函数值或迭代训练的第三迭代次数满足第三训练停止条件时，获得经初始训练后的初始域分类器。8.一种人脸识别器生成装置，其特征在于，所述装置包括：人脸特征识别模块，用于采用初始训练获得的初始识别网络模型，对训练样本集中的训练样本进行人脸特征识别，获得对应的人脸特征；所述训练样本包括第一类别人脸图片和第二类别人脸图片；分类识别模块，用于采用初始训练获得的初始域分类器，对所述人脸特征进行分类识别，生成对应的分类结果；人脸识别器生成模块，用于基于所述人脸特征和所述分类结果，对所述初始识别网络模型和所述初始域分类器进行对抗训练，并将训练结束时的初始识别网络模型作为训练好的人脸识别器。9.一种计算机设备，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至7中任一项所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种人脸识别器生成方法、装置、计算机设备和存储介质。所述方法应用于人工智能领域，包括：采用初始训练获得的初始识别网络模型，对训练样本集中的训练样本进行人脸特征识别，获得对应的人脸特征，训练样本包括第一类别人脸图片和第二类别人脸图片。采用初始训练获得的初始域分类器，对人脸特征进行分类识别，生成对应的分类结果，基于人脸特征和分类结果，对初始识别网络模型和初始域分类器进行对抗训练，并将训练结束时的初始识别网络模型作为训练好的人脸识别器。采用本方法能够实现根据数据扩充后的训练样本数据训练得到相应场景下的人脸识别器，对不同场景下的待识别人脸图片进行精准人脸识别，提升人脸识别的准确率。的准确率。的准确率。


技术研发人员：许剑清
受保护的技术使用者：腾讯科技（深圳）有限公司
技术研发日：2022.03.22
技术公布日：2023/10/11