[發(fā)明專利]一種訓(xùn)練人臉?biāo)ダ蠙z測模型的方法及相關(guān)裝置

在審

• 申請?zhí)枺?/td>: 202110637569.9
• 申請日: 2021-06-08
• 公開（公告）號(hào): CN113343851A
• 公開（公告）日: 2021-09-03
• 發(fā)明（設(shè)計(jì)）人: 陳仿雄
• 申請（專利權(quán)）人: 深圳數(shù)聯(lián)天下智能科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G06N3/08
• 代理公司: 深圳市六加知識(shí)產(chǎn)權(quán)代理有限公司 44372
• 代理人: 孟麗平

1.一種訓(xùn)練人臉?biāo)ダ蠙z測模型的方法，其特征在于，包括：

獲取包括人臉的圖像樣本集，其中，所述圖像樣本集中的每一圖像均標(biāo)注有真實(shí)標(biāo)簽，所述真實(shí)標(biāo)簽包括衰老特征的類別、位置框和嚴(yán)重程度，其中，所述衰老特征為反映人臉?biāo)ダ系膮⒖继卣鳎鏊ダ咸卣鞯念悇e包括至少一種衰老特征，所述嚴(yán)重程度包括至少一個(gè)程度等級(jí)；

獲取位置框集合，根據(jù)所述位置框集合，確定預(yù)設(shè)個(gè)數(shù)的初始先驗(yàn)框的寬高比，其中，所述位置框集合包括所述圖像樣本集中各圖像中各衰老特征的位置框；

將所述圖像樣本集，輸入預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)以所述預(yù)設(shè)個(gè)數(shù)的初始先驗(yàn)框?qū)λ鰣D像樣本集進(jìn)行學(xué)習(xí)，以獲取人臉?biāo)ダ蠙z測模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述位置框集合，確定預(yù)設(shè)個(gè)數(shù)的初始先驗(yàn)框的寬高比的步驟包括：

對(duì)所述衰老特征的類別中的任一一種目標(biāo)衰老特征，在所述位置框集合中，從所述目標(biāo)衰老特征對(duì)應(yīng)的各位置框中隨機(jī)選擇一位置框作為標(biāo)準(zhǔn)位置框，計(jì)算所述目標(biāo)衰老特征對(duì)應(yīng)的各位置框中除所述標(biāo)準(zhǔn)位置框外的剩余位置框分別與所述標(biāo)準(zhǔn)位置框的并交比，以獲取各類別的衰老特征對(duì)應(yīng)的各并交比；

將所述各類別的衰老特征對(duì)應(yīng)的各并交比一起排序，以生成并交比序列；

根據(jù)所述并交比序列，將所述位置框集合分成所述預(yù)設(shè)個(gè)數(shù)的位置框子集；

根據(jù)一位置框子集，確定一初始先驗(yàn)框的寬高比，以獲取所述預(yù)設(shè)個(gè)數(shù)的初始先驗(yàn)框的寬高比。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述并交比序列，將所述位置框集合分成所述預(yù)設(shè)個(gè)數(shù)的位置框子集，包括：

對(duì)所述并交比序列分段，以獲取所述預(yù)設(shè)個(gè)數(shù)的并交比子序列；

對(duì)于所述預(yù)設(shè)個(gè)數(shù)的并交比子序列中的任一目標(biāo)并交比子序列，獲取生成所述目標(biāo)并交比子序列中各并交比的位置框，以作為一位置框子集。

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)一位置框子集，確定一初始先驗(yàn)框的寬高比步驟包括：

根據(jù)以下公式計(jì)算所述預(yù)設(shè)個(gè)數(shù)的初始先驗(yàn)框中的第k個(gè)初始先驗(yàn)框的寬高比；

其中，表示第k個(gè)位置框子集中各位置框的平均位置框，|C_k|表示所述第k個(gè)位置框子集中位置框的數(shù)量，x_i表示所述第k個(gè)位置框子集中第i個(gè)位置框，R_k表示所述第k個(gè)初始先驗(yàn)框的寬高比，表示所述平均位置框的左上角坐標(biāo)，表示所述平均位置框的右下角坐標(biāo)，其中，k的取值范圍為1至所述預(yù)設(shè)個(gè)數(shù)。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)包括特征提取網(wǎng)絡(luò)和第三預(yù)設(shè)數(shù)量的卷積塊，所述第三預(yù)設(shè)數(shù)量等于所述嚴(yán)重程度所包括的程度等級(jí)的數(shù)量，所述特征提取網(wǎng)絡(luò)用于提取特征，所述卷積塊用于學(xué)習(xí)特征并輸出預(yù)測標(biāo)簽，一卷積塊配置一等級(jí)損失函數(shù)，所述等級(jí)損失函數(shù)用于計(jì)算相同等級(jí)的各衰老特征對(duì)應(yīng)的真實(shí)標(biāo)簽與預(yù)測標(biāo)簽之間的誤差；

所述將所述圖像樣本集，輸入預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)以所述預(yù)設(shè)個(gè)數(shù)的初始先驗(yàn)框?qū)λ鰣D像樣本集進(jìn)行學(xué)習(xí)，以獲取人臉?biāo)ダ铣潭葯z測模型的步驟，包括：

將目標(biāo)圖像輸入所述特征提取網(wǎng)絡(luò)，以獲取初始特征圖，其中，所述目標(biāo)圖像為所述圖像樣本集中的任一圖像；

將所述初始特征圖復(fù)制預(yù)設(shè)份數(shù)，以獲取所述預(yù)設(shè)份數(shù)的初始特征圖，其中，所述預(yù)設(shè)份數(shù)等于所述第三預(yù)設(shè)數(shù)量；

將所述預(yù)設(shè)份數(shù)的初始特征圖分別輸入所述第三預(yù)設(shè)數(shù)量的卷積塊，一份初始特征圖對(duì)應(yīng)一個(gè)卷積塊，以通過目標(biāo)卷積塊輸出所述目標(biāo)圖像的預(yù)測標(biāo)簽，其中，所述目標(biāo)卷積塊為所述第三預(yù)設(shè)數(shù)量的卷積塊中的任意一個(gè)；

根據(jù)目標(biāo)等級(jí)損失函數(shù)，計(jì)算所述目標(biāo)卷積塊輸出的預(yù)測標(biāo)簽與所述目標(biāo)圖像對(duì)應(yīng)的真實(shí)標(biāo)簽之間的誤差，所述目標(biāo)等級(jí)損失函數(shù)為所述目標(biāo)卷積塊配置的等級(jí)損失函數(shù)；

將所述第三預(yù)設(shè)數(shù)量的卷積塊各自對(duì)應(yīng)的誤差進(jìn)行求和，以獲取所述目標(biāo)圖像的總誤差；

根據(jù)總誤差和，調(diào)整所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)的模型參數(shù)，直至所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)收斂，以獲取所述人臉?biāo)ダ蠙z測模型，其中，所述總誤差和為所述圖像樣本集中各圖像對(duì)應(yīng)的總誤差的和。