在习近平提出的科技强国战略推进下,我国一直在积极发展人工智能产业,其中的一个重要落地项目就是公安工作智能化。公安业务涉及到大量人脸图片的信息提取与分类,考虑到深度卷积网络在图像特征学习、物体分类等任务上的优势,因此本文致力于将卷积网络模型算法优化并应用到公安业务中的人物年龄、性别、民族等特征识别任务上。在面向公安业务进行人物特征识别时,要解决深度网络应用的三大问题:提升准确率及降低误报率、控制资源占用和提高多环境适应性。在本文应用场景下,模型不仅要求准确率尽可能高同时还需降低误报以节约警力。同时,算法设计需贴合公安设备运算能力不高、业务环境复杂多变的特点,控制网络规模、提升学习效率以及改善模型适应性。因此本文从以下三个方面着手优化改造算法模型:(1)本文根据不同任务的计算复杂度等特点,分别制定性别分类、民族分类和年龄估计网络减小了资源占用、提高了准确率以及降低了误报率。在复杂度相对不高的性别和民族分类任务下,卷积网络参数被极力削减,大大减少了计算量和资源占用;民族分类网络训练算法进一步增加加权学习过程降低误报;而复杂度相对较高的年龄估计任务则应用更深层次的VGG网络结构并重新设计特征分类部分,使得不同年龄之间的联系得以体现,任务表现得以提升。(2)针对模型多环境适应性问题,本文拆分上述网络并基于生成对抗网络训练过程提出了符合其特点的对抗训练算法来进行模型迁移。在对抗训练过程中,容易出现对抗双方博弈不均衡问题。本文提出的改进对抗训练算法同时结合了标签平滑、噪声处理、激活函数调整和权重梯度修正等方案,并通过实验得出适用于本文模型的最佳算法参数。(3)将改进后的对抗迁移训练算法应用到年龄估计、性别及民族分类模型中,解决了其恶劣环境条件适应问题。本文通过对拆分后的网络模块进行组合,把带有标签的大量标准人脸数据作为源域而接近实际情况的非标准弱标注数据作为目标域,应用对抗迁移算法将年龄估计、性别及民族分类三个模型进行迁移使其适应不同环境。