[發明專利]一種關鍵點檢測方法、裝置、電子設備及存儲介質

有效

• 申請號: 202110293482.4
• 申請日: 2021-03-19
• 公開（公告）號: CN112712068B
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 康洋
• 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;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 朱佳

1.一種關鍵點檢測方法，其特征在于，包括：

獲取待檢測的多媒體信息；

將所述多媒體信息輸入已量化訓練的目標關鍵點檢測模型中，得到所述多媒體信息對應的目標關鍵點檢測結果；

其中，所述目標關鍵點檢測模型是基于第一損失值和第二損失值對待訓練的關鍵點檢測模型進行參數調整后得到的，所述第一損失值用于調整所述關鍵點檢測模型中的權重參數，所述第二損失值用于調整所述關鍵點檢測模型的目標激活函數層中激活函數的上界閾值，所述第一損失值和第二損失值，均是基于樣本數據對應的預測關鍵點檢測結果和實際關鍵點檢測結果獲得的，所述目標激活函數層是所述關鍵點檢測模型中，激活函數的上界閾值允許調整的激活函數層，所述激活函數是輸出的最大值允許調整的線性整流函數，當所述線性整流函數的輸出結果小于0時，按照0輸出，以及當所述線性整流函數的輸出值大于等于0且小于所述上界閾值時，按照所述輸出值的結果輸出，否則，按照所述上界閾值輸出。

2.如權利要求1所述的方法，其特征在于，所述目標關鍵點檢測模型是基于第一損失值和第二損失值對待訓練的關鍵點檢測模型進行參數調整后得到的，包括：

基于量化訓練樣本集合對待訓練的關鍵點檢測模型進行多輪第一迭代訓練，直到滿足預設的收斂條件為止，并將最后一輪輸出的關鍵點檢測模型作為目標關鍵點檢測模型，其中，在一輪第一迭代訓練過程中，執行以下操作：

確定所述關鍵點檢測模型當前對應的學習率；

基于所述當前對應的學習率，采用量化訓練樣本集合對所述關鍵點檢測模型進行多輪第二迭代訓練，直到所述量化訓練樣本集合使用完畢，其中，在一輪第二迭代訓練過程中，執行以下操作：

將從所述量化訓練樣本集合中獲取的量化訓練樣本，輸入所述關鍵點檢測模型，得到對應所述量化訓練樣本輸出的預測關鍵點檢測結果；

基于所述預測關鍵點檢測結果與對應的實際關鍵點檢測結果之間的比對結果，確定第一損失值和第二損失值；

基于所述當前對應的學習率和所述第一損失值，調整所述關鍵點檢測模型的模型參數，以及基于所述當前對應的學習率和所述第二損失值，調整所述關鍵點檢測模型的目標激活函數層中激活函數的上界閾值。

3.如權利要求2所述的方法，其特征在于，所述基于所述預測關鍵點檢測結果與對應的實際關鍵點檢測結果之間的比對結果，確定第一損失值和第二損失值，包括：

確定所述預測關鍵點檢測結果與對應的實際關鍵點檢測結果之間的比對結果；

基于所述比對結果和所述關鍵點檢測模型當前的權重參數，確定第一損失值；

基于所述比對結果、所述當前的權重參數，以及所述關鍵點檢測模型的目標激活函數層中激活函數當前的上界閾值，確定第二損失值，其中，在確定第二損失值時，針對所述當前的權重參數設置的第一影響因數小于針對所述當前的上界閾值設置的第二影響因數。

4.如權利要求2所述的方法，其特征在于，所述當前對應的學習率包括，用于調整權重參數的第一學習率，以及用于調整激活函數的上界閾值的第二學習率；

則所述基于所述當前對應的學習率和所述第一損失值，調整所述關鍵點檢測模型的模型參數，以及基于所述當前對應的學習率和所述第二損失值，調整所述關鍵點檢測模型的目標激活函數層中激活函數的上界閾值，包括：

基于所述第一學習率和所述第一損失值，調整所述關鍵點檢測模型中的權重參數，以及基于所述第二學習率和所述第二損失值，調整所述關鍵點檢測模型的目標激活函數層中激活函數的上界閾值。

5.如權利要求2-4任一項所述的方法，其特征在于，所述確定所述關鍵點檢測模型當前對應的學習率，包括：

確定當前使用所述量化訓練樣本集合進行第一迭代訓練的已訓練輪數；

確定所述已訓練輪數滿足預設的學習率調整條件時，獲取上一輪第一迭代訓練對應的學習率，所述上一輪第一迭代訓練對應的學習率中包括上一輪第一學習率和上一輪第二學習率；

將所述上一輪第二學習率與預設的調整因子的乘積作為調整后的第二學習率；

將所述上一輪第一學習率和所述調整后的第二學習率，確定為所述關鍵點檢測模型當前對應的學習率。