[發明專利]關鍵點定位模型的訓練方法、裝置和計算機設備

在審

• 申請號: 202110737218.5
• 申請日: 2021-06-30
• 公開（公告）號: CN113449718A
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 劉杰;王健宗;瞿曉陽
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06K9/46;G06K9/62;G06N3/04
• 代理公司: 深圳市明日今典知識產權代理事務所(普通合伙) 44343
• 代理人: 王杰輝;羅燕

1.一種關鍵點定位模型的訓練方法，其特征在于，包括：

獲取預設的樣本數據集；其中，所述樣本數據集包括已標注樣本與未標注樣本，所述已標注樣本為標注有多個關鍵點的動物圖像數據；

利用所述樣本數據集中的所述已標注樣本對預設的神經網絡模型進行訓練，得到訓練好的第一初始定位模型；

利用所述第一初始定位模型對所述未標注樣本進行預測處理，生成分配有偽標記的預測樣本，并從所述預測樣本中篩選出符合預設條件的目標預測樣本；

使用所述目標預測樣本對所述已標注樣本進行擴充，得到對應的擴充樣本；

基于所述擴充樣本與所述第一初始定位模型，得到與所述第一初始定位模型對應的總體損失函數；

基于所述總體損失函數對所述第一初始定位模型的模型參數進行調整，得到調整好的第二初始定位模型；

將所述第二初始定位模型作為關鍵點定位模型，以通過所述關鍵點定位模型對待處理的動物圖像數據進行關鍵點預測處理。

2.根據權利要求1所述的關鍵點定位模型的訓練方法，其特征在于，所述利用所述第一初始定位模型對所述未標注樣本進行預測處理，生成分配有偽標記的預測樣本，并從所述預測樣本中篩選出符合預設條件的目標預測樣本的步驟，包括：

利用所述第一初始定位模型對所述未標注樣本進行預測處理，生成分配有偽標記的預測樣本；

獲取與各所述預測樣本分別對應的預測概率；

獲取預設的概率閾值；

從所有預測概率中篩選出大于所述概率閾值的指定預測概率；

從所有所述預測樣本中獲取與所述指定預測概率對應的指定預測樣本；

將所述指定預測樣本作為所述目標預測樣本。

3.根據權利要求1所述的關鍵點定位模型的訓練方法，其特征在于，所述第一初始定位模型由關鍵點定位網絡、卷積層、全局最大池化層與關鍵點分類網絡構成，所述基于所述擴充樣本與所述第一初始定位模型，得到與所述第一初始定位模型對應的總體損失函數的步驟，包括：

將所述擴充樣本輸入至所述關鍵點定位網絡，通過所述關鍵點定位網絡輸出與所述擴充樣本對應的多個關鍵點熱圖；以及，

通過所述關鍵點定位網絡對所述擴充樣本進行特征提取，生成與所述擴充樣本對應的第一特征；

將所述第一特征輸入至所述卷積層，通過所述卷積層對所述第一特征進行卷積處理，生成與所述第一特征對應的第二特征；

基于逐元素乘法對得到的所述第二特征與每一個所述關鍵點熱圖進行計算處理，得到對應的多個第三特征；

將所有所述第三特征輸入至所述全局最大池化層，通過所述全局最大池化層輸出與所述第三特征對應的矢量；

將所述矢量輸入至所述關鍵點分類網絡，確定所述關鍵點分類網絡的交叉熵損失函數；

確定與所述關鍵點熱圖對應的變換等差損失函數；

確定與所述矢量對應的變換不變性損失函數；

基于所述交叉熵損失函數、所述變換等差損失函數以及所述變換不變性損失函數，構建與所述第一初始定位模型對應的所述總體損失函數。

4.根據權利要求3所述的關鍵點定位模型的訓練方法，其特征在于，所述基于所述交叉熵損失函數、所述變換等差損失函數以及所述變換不變性損失函數，構建與所述第一初始定位模型對應的所述總體損失函數的步驟，包括：

確定與所述擴充樣本對應的監督損失函數；

獲取與各損失函數分別對應的損失權重；其中，所述損失函數包括所述交叉熵損失函數、所述變換等差損失函數、所述變換不變性損失函數與所述監督損失函數；

基于所述損失權重對各所述損失函數進行加權求和處理，得到處理后的損失函數；

將所述處理后的損失函數作為總體目標損失函數。