CN114519877B 人脸识别方法、人脸识别装置、计算机设备及存储介质 （深圳云天励飞技术股份有限公司）

道龙岗大道8288号深圳大运软件小镇人脸识别模型对人脸图像进行卷积得到多个局特征向量得到全局特征向量。基于全局特征向采用预先训练好的人脸识别模型在对待识别的2将所述人脸图像输入至预先训练好的人脸识别模型，所述通过所述人脸识别模型对所述人脸图像进行卷积得到多个局部特征向述人脸图像的图像特征序列；将所述图像特征向量通过当前卷积层进行卷积，得到所述当前4.根据权利要求1或3所述的方法，其特征在于，所述融合所通过所述深度学习模型中卷积核为指定尺寸相同但维度不同的多个卷积层对所述样基于自注意力机制，将所述多个局部训练特征向量进行融合若所述分类损失小于指定阈值，则完成所述深度学习模型的训练，得到3输入单元，用于将所述人脸图像输入至预先训练好的人脸识别模型，卷积单元，用于通过所述人脸识别模型对所述人脸图像进行卷图像的图像特征序列；8.一种计算机可读存储介质，其特征在于，所述4人脸识别模型在进行训练时，所采用的框架可以包括卷积神经网络(Convolutional[0004]但以Transformer模型为框架的人脸识别模型在进行人脸识别时，由于训练过程所述人脸识别模型对所述人脸图像进行卷积得到多个局部特征向量。基于自注意力机制，像对应的人脸类别。[0007]在该方式中，采用预先训练好的人脸识别模型在对待识别的人脸图像进行识别5别模型中卷积核为指定尺寸相同但维度不同的多个卷积层对所述图像特征向量进行卷积，进行卷积的卷积核的尺寸与所述人脸子图像的尺习模型中卷积核为指定尺寸相同但维度不同的多个卷积层对所述样本特征向量进行卷积，6脸类别。于将所述子图像特征向量根据所述指定顺序进行排列，获取所述人脸图像的图像特征序列。进行卷积的卷积核的尺寸与所述人脸子图像的尺通过执行所述计算机指令，从而执行第一方面及其可选实施方式中任一项的人脸识别方7识别模型，以便提升模型知识容量，高效利用大量人脸数据，提升识别的准确率。其中，Transformer是一种基于自注意力机制的深度学89人脸识别模型在进行人脸识别的输入要求，则基于对人脸图像进行序列化处理后的结果，图像进行4*4(4行4列)的矩阵化处理后，得到二维的图像特征向量为4*4*512(4行4列的矩是根据一示例性实施例提出的另一种人脸识[0070]图像特征序列基于卷积层K得到对应局部特征向量(K向量)和基于卷积层V得到对样本特征序列。以理解为是对局部特征向量进行局部建模的过程，从而提高人脸识别模型的特征表述能[0097]在一实施场景中，用于进行人脸识别模型训练的深度学习模型可以是以VisualTransformer模型(一种应用于计算机视觉领域的Transformer模型)为基础框架的网络模列。[0101]类别分类模块404，用于将全局训练特征向量投影到人脸训练集的类别数空间进[0106]卷积单元503，用于通过人脸识别模型对人脸图像进行卷积得到多个局部特征向[0107]融合单元504，用于基于自注意力机制，融合多个局部特征向量得到全局特征向[0115]上述人脸识别装置的具体限定以及有益效果可以参见上文中对于人脸识别方法[0116]图6是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。如图6所(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-[0119]存储器620作为一种非暂态计算机可读存储介质，包括持久内存、易失内存和硬业务管理方法对应的程序指令/模块。处理器610通过运行存储在存储器620中的非暂态软[0120]存储器620可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系[0121]输入装置630可接收输入的数字或字符信息，以及产生与用户设置以及功能控制