-
公开(公告)号：CN113343771B
公开(公告)日：2022-04-15
申请号：CN202110516619.8
申请日：2021-05-12
Applicant: 武汉大学
Abstract: 本发明提出了一种基于自适应元学习的人脸防伪方法。本发明提出将支持集上首次计算得到的损失加入至元学习器的优化目标中，可以使得元学习器在梯度更新过程找到最佳的收敛方向，使训练过程更加趋于稳定。本发明采用了自适应权重调节方法，将支持集的初步计算损失引入到元学习器的优化目标中，并为支持集损失和查询集损失分别设定了可变的权重因子，在训练的过程中可以随任务采样随机变化，特别地，在(0，1)的区间范围内初始化两个权重因子。该自适应调节机制使得元学习器在训练的过程中能够自动的调节两种损失函数对于模型优化影响的权重比例，有助于元学习器寻找最佳的梯度下降方向，找到局部最优解，获得更优质的初始化模型参数。
-
公开(公告)号：CN113343770A
公开(公告)日：2021-09-03
申请号：CN202110516608.X
申请日：2021-05-12
Applicant: 武汉大学
Abstract: 本发明提出了一种基于特征筛选的人脸防伪方法。本发明设计了一种层级特征筛选机制用于优化面部深度特征的提取，有效利用了不同层级特征模块之间的关联关系，补充了面部深度提取的部分细节信息；并且提出了一种基于视点加权的交叉熵损失用于优化网络的学习监督过程，通过视点加权之后交叉熵损失重点刻画不同视点之间的深度差异，学习面部整体的深度差异信息。
-
公开(公告)号：CN113343770B
公开(公告)日：2022-04-29
申请号：CN202110516608.X
申请日：2021-05-12
Applicant: 武汉大学
Abstract: 本发明提出了一种基于特征筛选的人脸防伪方法。本发明设计了一种层级特征筛选机制用于优化面部深度特征的提取，有效利用了不同层级特征模块之间的关联关系，补充了面部深度提取的部分细节信息；并且提出了一种基于视点加权的交叉熵损失用于优化网络的学习监督过程，通过视点加权之后交叉熵损失重点刻画不同视点之间的深度差异，学习面部整体的深度差异信息。
-
公开(公告)号：CN113343771A
公开(公告)日：2021-09-03
申请号：CN202110516619.8
申请日：2021-05-12
Applicant: 武汉大学
Abstract: 本发明提出了一种基于自适应元学习的人脸防伪方法。本发明提出将支持集上首次计算得到的损失加入至元学习器的优化目标中，可以使得元学习器在梯度更新过程找到最佳的收敛方向，使训练过程更加趋于稳定。本发明采用了自适应权重调节方法，将支持集的初步计算损失引入到元学习器的优化目标中，并为支持集损失和查询集损失分别设定了可变的权重因子，在训练的过程中可以随任务采样随机变化，特别地，在(0，1)的区间范围内初始化两个权重因子。该自适应调节机制使得元学习器在训练的过程中能够自动的调节两种损失函数对于模型优化影响的权重比例，有助于元学习器寻找最佳的梯度下降方向，找到局部最优解，获得更优质的初始化模型参数。
-
-
-
Search Results
4
records
(took 0.019 seconds)
