特征点标注模型训练方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例提供了特征点标注模型训练方法、装置、电子设备及存储介质，上述方法包括：将第一训练样本集中的第一样本图像输入特征点标注模型，得到第一样本图像的特征点的坐标值，作为第一坐标值；将第一样本图像和第一坐标值输入预先训练的分类模型，得到第一样本图像的特征点是否标注正确的分类结果，当分类结果不正确时，调整特征点标注模型的参数，得到新的标注模型；针对当前得到的标注模型，当满足预设的第一结束训练条件时，将当前得到的特征点标注模型确定为强化后的特征点标注模型。采用本发明专利技术实施例提供的方案，可以得到特征点标注准确率较高的强化后的特征点标注模型。

Training method, device, electronic equipment and storage medium of feature point labeling model

【技术实现步骤摘要】
特征点标注模型训练方法、装置、电子设备及存储介质
本专利技术涉及深度学习
，特别是涉及一种特征点标注模型训练方法、装置、电子设备及存储介质。
技术介绍
在一些应用场景中，需要对图像进行特征点标注。特征点标注可以理解为在对待标注图像进行检测，将待标注图像中满足要求的点标注为特征点。例如，对待标注图像可以为一个人脸图像，对人脸图像进行标注时，可以对图像中的人脸的一些部位进行特征点标注，如可以对人脸中的鼻子、眉毛、眼睛等部位进行特征点标注。这些标注得到的特征点可以应用于目标识别等各种领域中。针对大量的待标注图像，可以使用特征点标注模型对待标注图像进行特征点标注。然而，使用特征点标注模型得到的特征点往往存在较大偏差。例如，针对待标注的人脸图像，使用特征点标注模型得到的标注有特征点的人脸图像中，较多特征点均有不同程度的不准确，如人脸中的鼻子、眉毛、眼睛等部位可能标注的并不准确。因此，目前的特征点标注模型在对待标注图像进行特征点标注时，往往存在标注的准确率较低的问题。
技术实现思路
本专利技术实施例的目的在于提供一种特征点标注模型训练方法，用以得到一种可以提高特征点标注准确率的特征点标注模型。为了达到上述目的，本专利技术实施例提供了一种特征点标注模型训练方法，包括：将第一训练样本集中的第一样本图像输入特征点标注模型，得到所述第一样本图像的特征点的坐标值，作为第一坐标值；将所述第一样本图像和所述第一坐标值输入预先训练的分类模型，得到所述第一样本图像的特征点是否标注正确的分类结果，其中，所述分类模型为基于第二训练样本集训练得到的，所述第二训练样本集包含第二样本图像，每个所述第二样本图像的所标注的特征点的坐标值，作为第二坐标值，以及针对每个所述第二样本图像的所述第二坐标值，已知的该第二样本图像的特征点是否标注正确的分类结果；当所述分类结果不正确时，调整所述特征点标注模型的参数，得到新的标注模型；针对当前得到的标注模型，当满足预设的第一结束训练条件时，将当前得到的特征点标注模型确定为强化后的特征点标注模型，所述预设的第一结束训练条件为：用于确定当前得到的标注模型收敛的条件。进一步的，所述特征点标注模型为按照预设训练方式训练得到的。进一步的，针对当前得到的标注模型，采用如下步骤确定是否满足预设的第一结束训练条件：将第一测试图像输入当前得到的特征点标注模型，得到所述第一测试图像的特征点的第一坐标值，以及将第二测试图像输入前一次得到的特征点标注模型，得到所述第二测试图像的特征点的第一坐标值；使用所述第一测试图像的特征点的第一坐标值，确定所述分类模型的损失函数值，作为第一损失函数值，使用所述第二测试图像的特征点的第一坐标值，确定所述分类模型的损失函数，作为第二损失函数值；计算所述第一损失函数值和所述第二损失函数值的差值；当所述差值不大于预设差值阈值时，确定满足预设的第一结束训练条件。进一步的，针对当前得到的标注模型，采用如下步骤确定是否满足预设的第一结束训练条件：将多个第三测试图像分别输入当前得到的特征点标注模型，得到每个所述第三测试图像的特征点的第一坐标值；针对每个所述第三测试图像，将该第三测试图像和该第三测试图像的特征点的第一坐标值输入所述分类模型，得到该第三测试图像的特征点是否标注正确的分类结果；基于多个所述第三测试图像的特征点是否标注正确的分类结果，计算多个所述第三测试图像的所述分类结果的正确率，其中，所述正确率为多个所述第三测试图像的所述分类结果表示正确的分类结果的比例；当所述正确率不小于预设正确率阈值时，确定满足预设的第一结束训练条件。进一步的，采用如下步骤基于第二训练样本集训练得到所述分类模型：将所述第二样本图像和所述第二样本图像的特征点的第二坐标值，输入待训练神经网络模型，得到表示所述第二样本图像的特征点是否标注正确的输出结果；基于已知的该第二样本图像的特征点是否标注正确的分类结果，以及所述输出结果，对所述待训练神经网络模型进行调整；当满足预设的第二结束训练条件时，将当前的所述待训练神经网络模型确定为训练得到的所述分类模型，所述预设的第二结束训练条件为：用于确定当前的待训练神经网络模型收敛的条件。为了达到上述目的，本专利技术实施例还提供了一种特征点标注模型训练装置，包括：第一输入模块，用于将第一训练样本集中的第一样本图像输入特征点标注模型，得到所述第一样本图像的特征点的坐标值，作为第一坐标值；第二输入模块，用于将所述第一样本图像和所述第一坐标值输入预先训练的分类模型，得到所述第一样本图像的特征点是否标注正确的分类结果，其中，所述分类模型为基于第二训练样本集训练得到的，所述第二训练样本集包含第二样本图像，每个所述第二样本图像的所标注的特征点的坐标值，作为第二坐标值，以及针对每个所述第二样本图像的所述第二坐标值，已知的该第二样本图像的特征点是否标注正确的分类结果；参数调整模块，用于当所述分类结果不正确时，调整所述特征点标注模型的参数，得到新的标注模型；第一确定模块，用于针对当前得到的标注模型，当满足预设的第一结束训练条件时，将当前得到的特征点标注模型确定为强化后的特征点标注模型，所述预设的第一结束训练条件为：用于确定当前得到的标注模型收敛的条件。进一步的，所述特征点标注模型为按照预设训练方式训练得到的。进一步的，所述第一确定模块，还用于针对当前得到的标注模型，采用如下步骤确定是否满足预设的第一结束训练条件：将第一测试图像输入当前得到的特征点标注模型，得到所述第一测试图像的特征点的第一坐标值，以及将第二测试图像输入前一次得到的特征点标注模型，得到所述第二测试图像的特征点的第一坐标值；使用所述第一测试图像的特征点的第一坐标值，确定所述分类模型的损失函数值，作为第一损失函数值，使用所述第二测试图像的特征点的第一坐标值，确定所述分类模型的损失函数值，作为第二损失函数值；计算所述第一损失函数值和所述第二损失函数值的差值；当所述差值不大于预设差值阈值时，确定满足预设的第一结束训练条件。进一步的，所述第二确定模块，还用于针对当前得到的标注模型，采用如下步骤确定是否满足预设的第一结束训练条件：将多个第三测试图像分别输入当前得到的特征点标注模型，得到每个所述第三测试图像的特征点的第一坐标值；针对每个所述第三测试图像，将该第三测试图像和该第三测试图像的特征点的第一坐标值输入所述分类模型，得到该第三测试图像的特征点是否标注正确的分类结果；基于多个所述第三测试图像的特征点是否标注正确的分类结果，计算多个所述第三测试图像的所述分类结果的正确率，其中，所述正确率为多个所述第三测试图像的所述分类结果表示正确的分类结果的比例；当所述正确率不小于预设正确率阈值时，确定满足预设的第一结束训练条件。进一步的，所述装置，还包括：分类模型训练模块，用于采用如下步骤基于第二训练样本集本文档来自技高网...

【技术保护点】
1.一种特征点标注模型训练方法，其特征在于，包括：/n将第一训练样本集中的第一样本图像输入特征点标注模型，得到所述第一样本图像的特征点的坐标值，作为第一坐标值；/n将所述第一样本图像和所述第一坐标值输入预先训练的分类模型，得到所述第一样本图像的特征点是否标注正确的分类结果，其中，所述分类模型为基于第二训练样本集训练得到的，所述第二训练样本集包含第二样本图像，每个所述第二样本图像的所标注的特征点的坐标值，作为第二坐标值，以及针对每个所述第二样本图像的所述第二坐标值，已知的该第二样本图像的特征点是否标注正确的分类结果；/n当所述分类结果不正确时，调整所述特征点标注模型的参数，得到新的标注模型；/n针对当前得到的标注模型，当满足预设的第一结束训练条件时，将当前得到的特征点标注模型确定为强化后的特征点标注模型，所述预设的第一结束训练条件为：用于确定当前得到的标注模型收敛的条件。/n

【技术特征摘要】
1.一种特征点标注模型训练方法，其特征在于，包括：
将第一训练样本集中的第一样本图像输入特征点标注模型，得到所述第一样本图像的特征点的坐标值，作为第一坐标值；
将所述第一样本图像和所述第一坐标值输入预先训练的分类模型，得到所述第一样本图像的特征点是否标注正确的分类结果，其中，所述分类模型为基于第二训练样本集训练得到的，所述第二训练样本集包含第二样本图像，每个所述第二样本图像的所标注的特征点的坐标值，作为第二坐标值，以及针对每个所述第二样本图像的所述第二坐标值，已知的该第二样本图像的特征点是否标注正确的分类结果；
当所述分类结果不正确时，调整所述特征点标注模型的参数，得到新的标注模型；
针对当前得到的标注模型，当满足预设的第一结束训练条件时，将当前得到的特征点标注模型确定为强化后的特征点标注模型，所述预设的第一结束训练条件为：用于确定当前得到的标注模型收敛的条件。


2.根据权利要求1所述的方法，其特征在于，针对当前得到的标注模型，采用如下步骤确定是否满足预设的第一结束训练条件：
将第一测试图像输入当前得到的特征点标注模型，得到所述第一测试图像的特征点的第一坐标值，以及将第二测试图像输入前一次得到的特征点标注模型，得到所述第二测试图像的特征点的第一坐标值；
使用所述第一测试图像的特征点的第一坐标值，确定所述分类模型的损失函数值，作为第一损失函数值，使用所述第二测试图像的特征点的第一坐标值，确定所述分类模型的损失函数值，作为第二损失函数值；
计算所述第一损失函数值和所述第二损失函数值的差值；
当所述差值不大于预设差值阈值时，确定满足预设的第一结束训练条件。


3.根据权利要求1所述的方法，其特征在于，针对当前得到的标注模型，采用如下步骤确定是否满足预设的第一结束训练条件：
将多个第三测试图像分别输入当前得到的特征点标注模型，得到每个所述第三测试图像的特征点的第一坐标值；
针对每个所述第三测试图像，将该第三测试图像和该第三测试图像的特征点的第一坐标值输入所述分类模型，得到该第三测试图像的特征点是否标注正确的分类结果；
基于多个所述第三测试图像的特征点是否标注正确的分类结果，计算多个所述第三测试图像的所述分类结果的正确率，其中，所述正确率为多个所述第三测试图像的所述分类结果表示正确的分类结果的比例；
当所述正确率不小于预设正确率阈值时，确定满足预设的第一结束训练条件。


4.根据权利要求1所述的方法，其特征在于，采用如下步骤基于第二训练样本集训练得到所述分类模型：
将所述第二样本图像和所述第二样本图像的特征点的第二坐标值，输入待训练神经网络模型，得到表示所述第二样本图像的特征点是否标注正确的输出结果；
基于已知的该第二样本图像的特征点是否标注正确的分类结果，以及所述输出结果，对所述待训练神经网络模型进行调整；
当满足预设的第二结束训练条件时，将当前的所述待训练神经网络模型确定为训练得到的所述分类模型，所述预设的第二结束训练条件为：用于确定当前的待训练神经网络模型收敛的条件。


5.一种特征点标注模型训练装置，其特征在于，包括：
第一输入模块，用于将第一训练样本集中的第一样本图像输入特征点标注模型，得到所述第一样本图像的特征点的坐标值，作为第一坐标值；
第二输入模块，用于将所述第一样本图像和所述第一坐标值输入预先训练的分类模型，得到所述第一样本图像的特...

【专利技术属性】
技术研发人员：钟韬，
申请(专利权)人：北京奇艺世纪科技有限公司，
类型：发明
国别省市：北京;11