生物特征任务网络的制作方法

本公开涉及车辆中的生物特征任务网络。

背景技术：

1、图像可以由传感器获取并使用计算机进行处理以确定关于系统周围环境中的对象的数据。感测系统的操作可以包括获取关于系统环境中的对象的准确且及时的数据。计算机可以从一个或多个图像传感器获取图像，所述图像可以被处理以确定关于对象的数据。计算机可以使用从对象的图像中提取的数据来操作系统，包括车辆、机器人、安全和对象跟踪系统。

技术实现思路

1、可以在计算机中实施生物特征分析以确定关于系统或机器(诸如车辆)中或周围的对象(例如，潜在用户)的数据。基于从生物特征分析确定的数据，例如可以操作车辆。本文的生物特征分析意指基于用户的身体特性来测量关于用户的数据或基于测量来确定所述数据。例如，车辆或交通基础设施系统中的计算装置可以被编程为从包括在车辆或交通基础设施系统中的一个或多个传感器获取一个或多个图像，并且基于根据图像确定的生物特征数据授予用户操作车辆的许可。这种许可授予可以依赖于生物特征识别。生物特征识别意指基于分析生物特征数据来确定潜在用户的身份。可以记录所确定的用户身份以跟踪哪个用户正在访问车辆，或者在向用户授予操作车辆或系统的许可之前将所述用户身份与授权用户列表进行比较以认证用户。除了生物特征识别之外，生物特征分析还可以包括确定一个或多个身体特性，诸如用户困倦、注视方向、用户姿态、用户活体等。除了车辆之外，生物特征分析任务还可以在各种机器或系统中实施。例如，计算机系统、机器人系统、制造系统和安全系统可能要求在授予对系统或安全区域的访问权限之前使用所获取的图像来识别潜在用户。

2、有利地，本文描述的技术可以增强交通基础设施系统中的计算装置基于识别面部生物特征算法(诸如面部特征识别)包括跨不同应用的冗余任务来执行生物特征分析的能力。此外，一些面部生物特征算法具有稀疏或有限的训练数据集。本文描述的技术包括多任务网络，所述多任务网络包括共同特征识别神经网络和多个生物特征分析任务神经网络。深度神经网络被配置为包括作为“主干”的共同特征提取神经网络和多个生物特征分析任务神经网络，所述多个生物特征分析任务神经网络接收由共同特征提取神经网络生成的一组共同潜在变量作为输入。深度神经网络包括多个专家池化深度神经网络，所述多个专家池化深度神经网络通过在多个生物特征分析任务之间共享结果来增强对深度神经网络的训练。

3、本文公开了一种方法，所述方法包括基于从图像传感器提供的图像提供来自作为多个生物特征分析任务中的一者的选定的生物特征分析任务的输出，其中所述选定的生物特征分析任务在深度神经网络中执行，所述深度神经网络包括共同特征提取神经网络、多个生物特征任务特定的神经网络和多个专家池化神经网络，其通过将所述图像输入到所述共同特征提取网络以确定潜在变量来执行所述多个生物特征分析任务。所述潜在变量可以被输入到所述多个生物特征任务特定的神经网络以确定多个第一输出。所述多个第一输出可以被级联以形成级联的第一输出。所述级联的第一输出和所述潜在变量可以被输入到所述多个专家池化神经网络以确定一个或多个生物特征分析任务输出，并且可以选择并输出一个或多个生物特征分析任务输出。

4、可以基于所述选定的生物特征分析任务输出来操作装置。所述多个生物特征分析任务可以包括生物特征识别、活体确定、困倦确定、注视确定、姿态确定和面部特征分割。共同特征提取神经网络可以包括多个卷积层。所述多个生物特征任务特定的神经网络可以包括多个全连接层。所述多个专家池化神经网络可以包括多个全连接层。来自所述多个生物特征任务特定的神经网络的第一输出中的一者或多者可以在级联之前被输入到softmax函数。来自所述多个专家池化神经网络的输出中的一者或多者可以在输出为生物特征分析任务输出之前输入到softmax函数。在训练期间，所述生物特征分析任务输出中的一者或多者可以被设置为零。可以通过将所述生物特征分析任务输出与地面实况组合以确定联合损失函数来训练所述深度神经网络。可以通过所述深度神经网络反向传播所述联合损失函数以确定权重。所述深度神经网络可以被配置为在基于选定的生物特征分析任务进行的推断期间包括所述共同特征提取网络和所述生物特征任务特定的神经网络的子集。可以基于根据稀疏分类交叉熵统计确定的损失函数来训练深度神经网络。可以基于根据均方误差统计确定的损失函数来训练所述深度神经网络。

5、还公开了一种计算机可读介质，所述计算机可读介质存储用于执行上述方法步骤中的一些或全部的程序指令。本还公开了一种被编程用于执行上述一些或所有方法步骤的计算机，所述计算机包括计算机设备，所述计算机设备被编程为基于从图像传感器提供的图像提供来自作为多个生物特征分析任务中的一者的选定的生物特征分析任务的输出，其中所述选定的生物特征分析任务在深度神经网络中执行，所述深度神经网络包括共同特征提取神经网络、多个生物特征任务特定的神经网络和多个专家池化神经网络，其通过将所述图像输入到所述共同特征提取网络以确定潜在变量来执行所述多个生物特征分析任务。所述潜在变量可以被输入到所述多个生物特征任务特定的神经网络以确定多个第一输出。所述多个第一输出可以被级联以形成级联的第一输出。所述级联的第一输出和所述潜在变量可以被输入到所述多个专家池化神经网络以确定一个或多个生物特征分析任务输出，并且可以选择并输出一个或多个生物特征分析任务输出。

6、所述指令可以包括用于基于所述选定的生物特征分析任务输出来操作装置的另外指令。所述多个生物特征分析任务可以包括生物特征识别、活体确定、困倦确定、注视确定、姿态确定和面部特征分割。共同特征提取神经网络可以包括多个卷积层。所述多个生物特征任务特定的神经网络可以包括多个全连接层。所述多个专家池化神经网络可以包括多个全连接层。来自所述多个生物特征任务特定的神经网络的第一输出中的一者或多者可以在级联之前被输入到softmax函数。来自所述多个专家池化神经网络的输出中的一者或多者可以在输出为生物特征分析任务输出之前输入到softmax函数。在训练期间，所述生物特征分析任务输出中的一者或多者可以被设置为零。可以通过将所述生物特征分析任务输出与地面实况组合以确定联合损失函数来训练所述深度神经网络。可以通过所述深度神经网络反向传播所述联合损失函数以确定权重。所述深度神经网络可以被配置为在基于选定的生物特征分析任务进行的推断期间包括所述共同特征提取网络和所述生物特征任务特定的神经网络的子集。可以基于根据稀疏分类交叉熵统计确定的损失函数来训练深度神经网络。可以基于根据均方误差统计确定的损失函数来训练所述深度神经网络。

技术特征：

1.一种方法，其包括：

2.如权利要求1所述的方法，其还包括基于所述选定的生物特征分析任务输出来操作装置。

3.如权利要求1所述的方法，所述多个生物特征分析任务包括生物特征识别、活体确定、困倦确定、注视确定、姿态确定和面部特征分割。

4.如权利要求1所述的方法，其中所述共同特征提取神经网络包括多个卷积层。

5.如权利要求1所述的方法，其中所述多个生物特征任务特定的神经网络包括多个全连接层。

6.如权利要求1所述的方法，其中所述多个专家池化神经网络包括多个全连接层。

7.如权利要求1所述的方法，其中来自所述多个生物特征任务特定的神经网络的第一输出中的一者或多者在级联之前被输入到softmax函数。

8.如权利要求1所述的方法，其中来自所述多个专家池化神经网络的所述输出中的一者或多者在输出为生物特征分析任务输出之前被输入到softmax函数。

9.如权利要求1所述的方法，其中在训练期间，所述生物特征分析任务输出中的一者或多者被设置为零。

10.如权利要求1所述的方法，其还包括通过将所述生物特征分析任务输出与地面实况组合以确定联合损失函数来训练所述深度神经网络。

11.如权利要求10所述的方法，其中通过所述深度神经网络反向传播所述联合损失函数以确定权重。

12.如权利要求1所述的方法，其中所述深度神经网络被配置为在基于选定的生物特征分析任务进行的推断期间包括所述共同特征提取网络和所述生物特征任务特定的神经网络的子集。

13.如权利要求1所述的方法，其中基于根据稀疏分类交叉熵统计确定的损失函数来训练深度神经网络。

14.如权利要求1所述的方法，其中基于根据均方误差统计确定的损失函数来训练所述深度神经网络。

15.一种系统，其包括被编程为执行如权利要求1至14中任一项所述的方法的计算机。

技术总结
本公开提供了“生物特征任务网络”。可以基于从图像传感器提供的图像提供来自作为多个生物特征分析任务中的一者的选定的生物特征分析任务的输出。所述选定的生物特征分析任务可以在深度神经网络中执行，所述深度神经网络包括共同特征提取神经网络、多个生物特征任务特定的神经网络和多个专家池化神经网络，其通过将所述图像输入到所述共同特征提取网络以确定潜在变量来执行所述多个生物特征分析任务。所述潜在变量可以被输入到所述多个生物特征任务特定的神经网络以确定多个第一输出。可以形成级联的第一输出结果，并且可以将级联的多个第一结果输出和潜在变量输入到所述多个专家池化神经网络以确定一个或多个生物特征分析任务输出。

技术研发人员：阿里·哈桑尼,哈菲兹·马利克,Z·埃尔沙伊尔,约翰·罗伯特·范维梅尔施,贾斯汀·米勒
受保护的技术使用者：福特全球技术公司
技术研发日：
技术公布日：2024/1/14