[發明專利]一種人臉檢測器訓練方法、裝置及電子設備

在審

• 申請號: 201710406726.9
• 申請日: 2017-06-02
• 公開（公告）號: CN108985135A
• 公開（公告）日: 2018-12-11
• 發明（設計）人: 王浩;李志鋒;季興;王一同
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 王仲凱

1.一種人臉檢測器訓練方法，其特征在于，包括：

獲取當前次迭代的批數據訓練樣本，所述批數據訓練樣本包括多個訓練樣本，所述多個訓練樣本的樣本類包括：正類和負類；

分別根據各訓練樣本的特征向量，及各訓練樣本所屬的樣本類的中心特征向量，確定各訓練樣本對應的中心損失值；

根據所述各訓練樣本對應的中心損失值，確定所述批數據訓練樣本對應的中心損失值；

至少根據所述批數據訓練樣本對應的中心損失值，確定人臉檢測器的目標損失值；

若所述人臉檢測器的目標損失值未達到設定的訓練收斂條件，根據所述人臉檢測器的目標損失值，更新卷積神經網絡CNN模型的網絡參數，并進入下一次迭代；

若所述人臉檢測器的目標損失值達到設定的訓練收斂條件，輸出人臉檢測器。

2.根據權利要求1所述的人臉檢測器訓練方法，其特征在于，所述至少根據所述批數據訓練樣本對應的中心損失值，確定人臉檢測器的目標損失值包括：

根據所述批數據訓練樣本對應的中心損失值，所述批數據訓練樣本對應的分類損失值，以及所述批數據訓練樣本對應的人臉框坐標回歸損失值確定人臉檢測器的目標損失值。

3.根據權利要求2所述的人臉檢測器訓練方法，其特征在于，所述根據所述批數據訓練樣本對應的中心損失值，所述批數據訓練樣本對應的分類損失值，以及所述批數據訓練樣本對應的人臉框坐標回歸損失值確定人臉檢測器的目標損失值包括：

將所述批數據訓練樣本對應的中心損失值和第一設定權重的乘積，所述批數據訓練樣本對應的人臉框坐標回歸損失值和第二設定權重的乘積，及，所述批數據訓練樣本對應的分類損失值進行求和，得到人臉檢測器的目標損失值。

4.根據權利要求1所述的人臉檢測器訓練方法，其特征在于，所述獲取當前次迭代的批數據訓練樣本包括：

以上一次迭代的CNN模型確定訓練樣本集合中各訓練樣本對應的目標損失值；

根據訓練樣本集合中正類的樣本類中各訓練樣本的目標損失值，選取正類的樣本類中目標損失值最大的第一數量的訓練樣本；及根據訓練樣本集合中負類的樣本類中各訓練樣本的目標損失值，選取負類的樣本類中目標損失值最大的第二數量的訓練樣本，所述第一數量和所述第二數量的比值與設定比例相應；

根據從正類的樣本類中選取的訓練樣本，和從負類的樣本類中選取的訓練樣本，構成當前次迭代的批數據訓練樣本。

5.根據權利要求4所述的人臉檢測器訓練方法，其特征在于，所述以上一次迭代的CNN模型確定訓練樣本集合中各訓練樣本對應的目標損失值包括：

以上一次迭代的CNN模型，獲取訓練樣本集合中各訓練樣本對應的中心損失值，分類損失值和人臉框坐標回歸損失值；其中，一訓練樣本對應的分類損失值根據該訓練樣本對應的分類預測概率和分類目標概率確定，一訓練樣本對應的人臉框坐標回歸損失值根據該訓練樣本對應的人臉框預測坐標和人臉框目標坐標確定；

分別根據訓練樣本集合中各訓練樣本對應的中心損失值，分類損失值和人臉框坐標回歸損失值，確定訓練樣本集合中各訓練樣本的目標損失值。

6.根據權利要求2所述的人臉檢測器訓練方法，其特征在于，所述批數據訓練樣本對應的分類損失值的確定過程包括：

分別根據所述批數據訓練樣本中各訓練樣本對應的分類預測概率和分類目標概率，確定所述批數據訓練樣本中各訓練樣本對應的分類損失值；

根據所述批數據訓練樣本中各訓練樣本對應的分類損失值，確定所述批數據訓練樣本對應的分類損失值。

7.根據權利要求2所述的人臉檢測器訓練方法，其特征在于，所述批數據訓練樣本對應的人臉框坐標回歸損失值的確定過程包括：

確定所述批數據訓練樣本中各訓練樣本對應的人臉框預測坐標；

分別根據各訓練樣本對應的人臉框預測坐標，以及各訓練樣本對應的人臉框目標坐標，確定各訓練樣本對應的人臉框坐標回歸損失值；

根據各訓練樣本對應的人臉框坐標回歸損失值，確定所述批數據訓練樣本對應的人臉框坐標回歸損失值。