一种消除过拟合化的对抗学习与训练方法、系统、设备及存储介质与流程

背景技术：

1、在活体识别模型的对抗训练中，过拟合是一个需要特别关注的问题。过拟合指的是模型在训练集上表现良好，但在测试集(或实际应用中)的性能却大幅下降的现象，这通常意味着模型的泛化能力较弱。

2、在活体识别模型的对抗训练中，过拟合可能表现为：随着训练的进行，模型在训练集上的对抗鲁棒性(即模型识别对抗样本的能力)持续上升，但在测试集上的对抗鲁棒性却开始下降。同时，两者的分类精度可能也在持续上升，但测试集上的精度提升可能并不如训练集显著。

3、过拟合原因主要有以下几点：

4、模型复杂度过高：当模型的复杂度远高于问题的复杂度时，模型可能会学习到训练数据中的噪声和不必要的特征，导致过拟合。

5、训练数据不足：如果训练数据不足以支撑模型的复杂度，模型可能会过度拟合训练数据中的有限信息，从而无法泛化到新的数据。

6、数据不纯：训练数据中包含的噪声、错误标签或异常值可能导致模型学习到错误的特征。

7、以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

技术实现思路

1、为此，本发明将对抗网络引入到活体模型训练过程中，根据鉴别器对身体标识进行分类，并通过生成器生成无身份样本，通过迭代训练，使得活体模型过滤掉身份的影响，获得更加鲁棒的识别效果。

2、第一方面，本发明提供一种消除过拟合化的对抗学习与训练方法，其特征在于，包括：

3、步骤s1：根据第一训练集对活体模型进行初始训练，并得到第一分类结果；

4、步骤s2：使用鉴别器对所述第一训练集进行身份标识，并根据所述身份标识和所述第一分类结果使生成器生成第一无身份样本，并将所述第一无身份样本加入所述第一训练集，得到第二训练集；

5、步骤s3：根据所述第二训练集对所述活体模型进行训练，得到第二分类结果；

6、步骤s4：使用所述鉴别器根据所述身份标识和所述第二分类结果使所述生成器生成第二无身份样本，并将所述第二无身份样本加入所述第二训练集，重复对所述活体模型进行训练，直至所述身份标识在所述第二分类结果的比例符合预设范围。

7、可选地，所述的一种消除过拟合化的对抗学习与训练方法，其特征在于，所述第一训练集中同一身份标识下既有活体，又有假体。

8、可选地，所述的一种消除过拟合化的对抗学习与训练方法，其特征在于，在生成所述第一无身份样本或所述第二无身份样本时，对于所述活体模型错误分类的样本去除身份信息，并保持标签不变，以去除身份信息对所述活体模型的影响。

9、可选地，所述的一种消除过拟合化的对抗学习与训练方法，其特征在于，步骤s2包括：

10、步骤s21：使用鉴别器对所述第一训练集中的第一图像进行识别，将同一个人标记为相同的身份标识，不同人标记为不同的身份标识；

11、步骤s22：对所述第一分类结果中错误的样本，使用生成器生成n个第一无身份样本；当所述鉴别器对所述第一无身份样本进行识别时，无法识别出身份信息；其中，n≥1；

12、步骤s23：将生成的所述第一无身份样本加入第一训练集，得到第二训练集。

13、可选地，所述的一种消除过拟合化的对抗学习与训练方法，适用于人脸活体模型，其特征在于，步骤s22包括：

14、步骤s221：对所述第一分类结果中错误的样本，获取人脸关键区域；其中，所述人脸关键区域至少包括眼镜、鼻子、嘴巴中的至少一个；

15、步骤s222：使用生成器去除多个所述人脸关键区域中的一个，分别生成多个样本；

16、步骤s223：使用所述生成器修改或替换所述人脸关键区域，以使所述鉴别器无法识别出身份信息，得到多个样本。

17、可选地，所述的一种消除过拟合化的对抗学习与训练方法，适用于手掌活体模型，其特征在于，步骤s22包括：

18、步骤s224：对所述第一分类结果中错误的样本，获取手掌或静脉图案；

19、步骤s225：对于活体样本，通过生成器用其他活体样本至少部分替换所述手掌或静脉图案，生成多个样本；

20、步骤s226：对于假体样本，通过生成器用其他假体样本至少部分替换所述手掌或静脉图案，生成多个样本。

21、可选地，所述的一种消除过拟合化的对抗学习与训练方法，其特征在于，还包括：

22、步骤s227：对于假体样本，通过生成器用活体样本至少部分替换所述手掌或静脉图案，生成多个样本。

23、第二方面，本发明提供一种消除过拟合化的对抗学习与训练系统，用于实现前述任一项所述的消除过拟合化的对抗学习与训练方法，其特征在于，包括：

24、第一训练模块，用于根据第一训练集对活体模型进行初始训练，并得到第一分类结果；

25、第一生成模块，用于使用鉴别器对所述第一训练集进行身份标识，并根据所述身份标识和所述第一分类结果使生成器生成第一无身份样本，并将所述第一无身份样本加入所述第一训练集，得到第二训练集；

26、第二训练模块，用于根据所述第二训练集对所述活体模型进行训练，得到第二分类结果；

27、第二生成模块，用于使用所述鉴别器根据所述身份标识和所述第二分类结果使所述生成器生成第二无身份样本，并将所述第二无身份样本加入所述第二训练集，重复对所述活体模型进行训练，直至所述身份标识在所述第二分类结果的比例符合预设范围。

28、第三方面，本发明提供一种消除过拟合化的对抗学习与训练设备，其特征在于，包括：

29、处理器；

30、存储器，其中存储有所述处理器的可执行指令；

31、其中，所述处理器配置为经由执行所述可执行指令来执行前述任一项所述消除过拟合化的对抗学习与训练方法的步骤。

32、第四方面，本发明提供一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现前述任一项所述消除过拟合化的对抗学习与训练方法的步骤。

33、与现有技术相比，本发明具有如下的有益效果：

34、本发明将对抗网络引入到活体模型的训练中，使得训练样本根据训练情况针对性地变化，可以及时矫正活体模型训练过程中出现的偏差，提高训练过程的稳定性，提高活体模型训练的成功率，也提高训练模型的泛化能力。

35、本发明利用对抗网络生成无身份样本，使得身份信息被定向去除，从而使得小样本集也可以训练出具有良好泛化能力的活体模型。

技术特征：

1.一种消除过拟合化的对抗学习与训练方法，其特征在于，包括：

2.根据权利要求1所述的一种消除过拟合化的对抗学习与训练方法，其特征在于，所述第一训练集中同一身份标识下既有活体，又有假体。

3.根据权利要求1所述的一种消除过拟合化的对抗学习与训练方法，其特征在于，在生成所述第一无身份样本或所述第二无身份样本时，对于所述活体模型错误分类的样本去除身份信息，并保持标签不变，以去除身份信息对所述活体模型的影响。

4.根据权利要求1所述的一种消除过拟合化的对抗学习与训练方法，其特征在于，步骤s2包括：

5.根据权利要求4所述的一种消除过拟合化的对抗学习与训练方法，适用于人脸活体模型，其特征在于，步骤s22包括：

6.根据权利要求4所述的一种消除过拟合化的对抗学习与训练方法，适用于手掌活体模型，其特征在于，步骤s22包括：

7.根据权利要求6所述的一种消除过拟合化的对抗学习与训练方法，其特征在于，还包括：

8.一种消除过拟合化的对抗学习与训练系统，用于实现权利要求1至7中任一项所述的消除过拟合化的对抗学习与训练方法，其特征在于，包括：

9.一种消除过拟合化的对抗学习与训练设备，其特征在于，包括：

10.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至7中任意一项所述消除过拟合化的对抗学习与训练方法的步骤。

技术总结
一种消除过拟合化的对抗学习与训练方法、系统、设备及存储介质，其中方法包括：步骤S1：根据第一训练集对活体模型进行初始训练，并得到第一分类结果；步骤S2：使用鉴别器对所述第一训练集进行身份标识，并根据所述身份标识和所述第一分类结果使生成器生成第一无身份样本，并将所述第一无身份样本加入所述第一训练集，得到第二训练集；步骤S3：根据所述第二训练集对所述活体模型进行训练，得到第二分类结果；步骤S4：使用所述鉴别器根据所述身份标识和所述第二分类结果使所述生成器生成第二无身份样本，并将所述第二无身份样本加入所述第二训练集，重复对所述活体模型进行训练，直至所述身份标识在所述第二分类结果的比例符合预设范围。

技术研发人员：段兴,林威宇,陈晨,汪博,朱力,吕方璐
受保护的技术使用者：深圳市光鉴科技有限公司
技术研发日：
技术公布日：2025/3/3