一种基于深度学习的人脸识别和人脸验证的监督学习方法

发明专利有效专利

申请号：
CN201810008115.3
IPC分类号：G06K9/00;G06K9/62;G06N3/04;G06N3/08
申请日期：
2018-01-04
申请人：
天津大学

基础信息

权利要求

说明书

PDF全文

法律信息

引证文献

著录项信息

专利名称	一种基于深度学习的人脸识别和人脸验证的监督学习方法
申请号	CN201810008115.3	申请日期	2018-01-04
法律状态	实质审查	申报国家	中国
公开/公告日	2018-07-06	公开/公告号	CN108256450A
优先权	暂无	优先权号	暂无
主分类号	G06K9/00 ? IPC结构图谱： G 物理 G0 仪器 G06 计算；推算；计数 G06K 数据识别；数据表示；记录载体；记录载体的处理（印刷本身入B41J） G06K9/00 用于阅读或识别印刷或书写字符或者用于识别图形，例如，指纹的方法或装置（用于图表阅读或者将诸如力或现状态的机械参量的图形转换为电信号的方法或装置入G06K 11/00；语音识别入G10L 15/00）〔1，7〕	IPC分类号	G;0;6;K;9;/;0;0;;;G;0;6;K;9;/;6;2;;;G;0;6;N;3;/;0;4;;;G;0;6;N;3;/;0;8查看分类表>
申请人	天津大学	申请人地址	天津市南开区卫津路92号变更专利地址、主体等相关变化，请及时变更，防止失效
权利人	天津大学	当前权利人	天津大学
发明人	聂为之;李梦洁
代理机构	天津市北洋有限责任专利代理事务所	代理人	李林娟

摘要

本发明公开了一种基于深度学习的人脸识别和人脸验证的监督学习方法，包括以下步骤：对卷积神经网络模型的全连接层输出特征使用柔性最大值损失函数增大类间距离，通过中心损失函数为每一类的深度特征学习一个中心，通过超参平衡两函数以此联合监督学习特征；计算卷积神经网络模型的后向传播，采用基于最小批量处理的随机梯度下降法对卷积神经网络模型进行优化，更新权重矩阵、以及每一类的深度特征中心；对深度特征进行主成分分析降维后计算两两特征之间的余弦距离来计算所得分数，所述分数用于最近邻和阈值比较中的目标匹配，对人脸进行识别和验证。本发明有效的提高神经网络学习特征的辨别能力，获得了具有鲁棒性的脸部特征识别和验证模型。

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有引用任何外部专利数据！

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有被任何外部专利所引用！

我浏览过的专利

专利服务由北京酷爱智慧知识产权代理公司提供