【技術實現步驟摘要】
技術介紹
1、在活體識別模型的對抗訓練中，過擬合是一個需要特別關注的問題。過擬合指的是模型在訓練集上表現良好，但在測試集(或實際應用中)的性能卻大幅下降的現象，這通常意味著模型的泛化能力較弱。
2、在活體識別模型的對抗訓練中，過擬合可能表現為：隨著訓練的進行，模型在訓練集上的對抗魯棒性(即模型識別對抗樣本的能力)持續上升，但在測試集上的對抗魯棒性卻開始下降。同時，兩者的分類精度可能也在持續上升，但測試集上的精度提升可能并不如訓練集顯著。
3、過擬合原因主要有以下幾點：
4、模型復雜度過高：當模型的復雜度遠高于問題的復雜度時，模型可能會學習到訓練數據中的噪聲和不必要的特征，導致過擬合。
5、訓練數據不足：如果訓練數據不足以支撐模型的復雜度，模型可能會過度擬合訓練數據中的有限信息，從而無法泛化到新的數據。
6、數據不純：訓練數據中包含的噪聲、錯誤標簽或異常值可能導致模型學習到錯誤的特征。
7、以上
技術介紹
內容的公開僅用于輔助理解本專利技術的專利技術構思及技術方案，其并不必然屬于本專利申請的現有技術，在沒有明確的證據表明上述內容在本專利申請的申請日已經公開的情況下，上述
技術介紹
不應當用于評價本申請的新穎性和創造性。
技術實現思路
1、為此，本專利技術將對抗網絡引入到活體模型訓練過程中，根據鑒別器對身體標識進行分類，并通過生成器生成無身份樣本，通過迭代訓練，使得活體模型過濾掉身份的影響，獲得更加魯棒的識別效果。>
2、第一方面，本專利技術提供一種消除過擬合化的對抗學習與訓練方法，其特征在于，包括：
3、步驟s1：根據第一訓練集對活體模型進行初始訓練，并得到第一分類結果；
4、步驟s2：使用鑒別器對所述第一訓練集進行身份標識，并根據所述身份標識和所述第一分類結果使生成器生成第一無身份樣本，并將所述第一無身份樣本加入所述第一訓練集，得到第二訓練集；
5、步驟s3：根據所述第二訓練集對所述活體模型進行訓練，得到第二分類結果；
6、步驟s4：使用所述鑒別器根據所述身份標識和所述第二分類結果使所述生成器生成第二無身份樣本，并將所述第二無身份樣本加入所述第二訓練集，重復對所述活體模型進行訓練，直至所述身份標識在所述第二分類結果的比例符合預設范圍。
7、可選地，所述的一種消除過擬合化的對抗學習與訓練方法，其特征在于，所述第一訓練集中同一身份標識下既有活體，又有假體。
8、可選地，所述的一種消除過擬合化的對抗學習與訓練方法，其特征在于，在生成所述第一無身份樣本或所述第二無身份樣本時，對于所述活體模型錯誤分類的樣本去除身份信息，并保持標簽不變，以去除身份信息對所述活體模型的影響。
9、可選地，所述的一種消除過擬合化的對抗學習與訓練方法，其特征在于，步驟s2包括：
10、步驟s21：使用鑒別器對所述第一訓練集中的第一圖像進行識別，將同一個人標記為相同的身份標識，不同人標記為不同的身份標識；
11、步驟s22：對所述第一分類結果中錯誤的樣本，使用生成器生成n個第一無身份樣本；當所述鑒別器對所述第一無身份樣本進行識別時，無法識別出身份信息；其中，n≥1；
12、步驟s23：將生成的所述第一無身份樣本加入第一訓練集，得到第二訓練集。
13、可選地，所述的一種消除過擬合化的對抗學習與訓練方法，適用于人臉活體模型，其特征在于，步驟s22包括：
14、步驟s221：對所述第一分類結果中錯誤的樣本，獲取人臉關鍵區域；其中，所述人臉關鍵區域至少包括眼鏡、鼻子、嘴巴中的至少一個；
15、步驟s222：使用生成器去除多個所述人臉關鍵區域中的一個，分別生成多個樣本；
16、步驟s223：使用所述生成器修改或替換所述人臉關鍵區域，以使所述鑒別器無法識別出身份信息，得到多個樣本。
17、可選地，所述的一種消除過擬合化的對抗學習與訓練方法，適用于手掌活體模型，其特征在于，步驟s22包括：
18、步驟s224：對所述第一分類結果中錯誤的樣本，獲取手掌或靜脈圖案；
19、步驟s225：對于活體樣本，通過生成器用其他活體樣本至少部分替換所述手掌或靜脈圖案，生成多個樣本；
20、步驟s226：對于假體樣本，通過生成器用其他假體樣本至少部分替換所述手掌或靜脈圖案，生成多個樣本。
21、可選地，所述的一種消除過擬合化的對抗學習與訓練方法，其特征在于，還包括：
22、步驟s227：對于假體樣本，通過生成器用活體樣本至少部分替換所述手掌或靜脈圖案，生成多個樣本。
23、第二方面，本專利技術提供一種消除過擬合化的對抗學習與訓練系統，用于實現前述任一項所述的消除過擬合化的對抗學習與訓練方法，其特征在于，包括：
24、第一訓練模塊，用于根據第一訓練集對活體模型進行初始訓練，并得到第一分類結果；
25、第一生成模塊，用于使用鑒別器對所述第一訓練集進行身份標識，并根據所述身份標識和所述第一分類結果使生成器生成第一無身份樣本，并將所述第一無身份樣本加入所述第一訓練集，得到第二訓練集；
26、第二訓練模塊，用于根據所述第二訓練集對所述活體模型進行訓練，得到第二分類結果；
27、第二生成模塊，用于使用所述鑒別器根據所述身份標識和所述第二分類結果使所述生成器生成第二無身份樣本，并將所述第二無身份樣本加入所述第二訓練集，重復對所述活體模型進行訓練，直至所述身份標識在所述第二分類結果的比例符合預設范圍。
28、第三方面，本專利技術提供一種消除過擬合化的對抗學習與訓練設備，其特征在于，包括：
29、處理器；
30、存儲器，其中存儲有所述處理器的可執行指令；
31、其中，所述處理器配置為經由執行所述可執行指令來執行前述任一項所述消除過擬合化的對抗學習與訓練方法的步驟。
32、第四方面，本專利技術提供一種計算機可讀存儲介質，用于存儲程序，其特征在于，所述程序被執行時實現前述任一項所述消除過擬合化的對抗學習與訓練方法的步驟。
33、與現有技術相比，本專利技術具有如下的有益效果：
34、本專利技術將對抗網絡引入到活體模型的訓練中，使得訓練樣本根據訓練情況針對性地變化，可以及時矯正活體模型訓練過程中出現的偏差，提高訓練過程的穩定性，提高活體模型訓練的成功率，也提高訓練模型的泛化能力。
35、本專利技術利用對抗網絡生成無身份樣本，使得身份信息被定向去除，從而使得小樣本集也可以訓練出具有良好泛化能力的活體模型。
本文檔來自技高網...【技術保護點】
1.一種消除過擬合化的對抗學習與訓練方法，其特征在于，包括：
2.根據權利要求1所述的一種消除過擬合化的對抗學習與訓練方法，其特征在于，所述第一訓練集中同一身份標識下既有活體，又有假體。
3.根據權利要求1所述的一種消除過擬合化的對抗學習與訓練方法，其特征在于，在生成所述第一無身份樣本或所述第二無身份樣本時，對于所述活體模型錯誤分類的樣本去除身份信息，并保持標簽不變，以去除身份信息對所述活體模型的影響。
4.根據權利要求1所述的一種消除過擬合化的對抗學習與訓練方法，其特征在于，步驟S2包括：
5.根據權利要求4所述的一種消除過擬合化的對抗學習與訓練方法，適用于人臉活體模型，其特征在于，步驟S22包括：
6.根據權利要求4所述的一種消除過擬合化的對抗學習與訓練方法，適用于手掌活體模型，其特征在于，步驟S22包括：
7.根據權利要求6所述的一種消除過擬合化的對抗學習與訓練方法，其特征在于，還包括：
8.一種消除過擬合化的對抗學習與訓練系統，用于實現權利要求1至7中任一項所述的消除過擬合化的對抗學習與訓
9.一種消除過擬合化的對抗學習與訓練設備，其特征在于，包括：
10.一種計算機可讀存儲介質，用于存儲程序，其特征在于，所述程序被執行時實現權利要求1至7中任意一項所述消除過擬合化的對抗學習與訓練方法的步驟。
...【技術特征摘要】
1.一種消除過擬合化的對抗學習與訓練方法，其特征在于，包括：
2.根據權利要求1所述的一種消除過擬合化的對抗學習與訓練方法，其特征在于，所述第一訓練集中同一身份標識下既有活體，又有假體。
3.根據權利要求1所述的一種消除過擬合化的對抗學習與訓練方法，其特征在于，在生成所述第一無身份樣本或所述第二無身份樣本時，對于所述活體模型錯誤分類的樣本去除身份信息，并保持標簽不變，以去除身份信息對所述活體模型的影響。
4.根據權利要求1所述的一種消除過擬合化的對抗學習與訓練方法，其特征在于，步驟s2包括：
5.根據權利要求4所述的一種消除過擬合化的對抗學習與訓練方法，適用于人臉活體模型...
【專利技術屬性】
技術研發人員：段興，林威宇，陳晨，汪博，朱力，呂方璐，
申請(專利權)人：深圳市光鑒科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。