一种关键点检测模型训练方法、关键点检测方法和装置制造方法及图纸

本申请实施例公开一种关键点检测模型训练方法、关键点检测方法和装置，在关键点检测模型训练中同时利用有标注和无标注图像样本。在训练时，通过生成模型根据获取的未标注图像样本生成第一热力图，根据获取的标注图像样本中标注的关键点坐标确定第二热力图。通过判别模型计算第一热力图和未标注图像样本的第一匹配度，以及计算第二热力图和标注图像样本的第二匹配度，根据第一匹配度和第二匹配度构建对抗损失函数。从而根据该对抗损失函数对生成模型和判别模型进行训练。由于在训练时采用了大量无标注图像样本，仅需要少量的标注图像样本，降低了人工标注成本，提高了模型训练的效率。同时，减小了人工标注带来的标注偏差，提升了模型训练的效果。

【技术实现步骤摘要】
一种关键点检测模型训练方法、关键点检测方法和装置
本申请涉及机器学习领域，特别是涉及一种关键点检测模型训练方法、关键点检测方法和装置。
技术介绍
关键点检测是指在图像或视频中确定出感兴趣的关键位置的坐标。例如，在人脸关键点检测中，从包扩人脸的图像中确定出内外眼角、鼻尖、嘴角等关键位置的坐标。关键点检测是计算机视觉应用的重要组成部分，对于人脸识别、表情识别、姿态识别等领域有着重要的作用。目前的关键点检测方法主要基于深度神经网络的关键点检测模型实现，关键点检测模型主要是基于端到端的全监督方式进行训练，即训练数据全部为标注数据。然而，这种训练方式需要大量的关键点标注数据，但是人工标注成本高，耗时长，而且不同的标注者对相同的关键点给出的坐标往往存在偏差，进而可能导致训练得到的模型难以准确的预测关键点位置。
技术实现思路
为了解决上述技术问题，本申请提供了一种关键点检测模型训练方法、关键点检测方法和装置，仅需要少量的标注图像样本，大大降低了人工标注成本，提高了模型训练的效率。同时，尽量减小了人工标注带来的标注偏差，提升了模型训练的效果本文档来自技高网...

【技术保护点】
1.一种关键点检测模型训练方法，其特征在于，所述方法包括：/n通过生成模型根据获取的未标注图像样本生成第一热力图；/n根据获取的标注图像样本中标注的关键点坐标确定第二热力图；/n通过判别模型计算所述第一热力图和所述未标注图像样本的第一匹配度，以及计算所述第二热力图和所述标注图像样本的第二匹配度；/n根据所述第一匹配度和所述第二匹配度构建对抗损失函数；/n根据所述对抗损失函数对所述生成模型和判别模型进行训练。/n

【技术特征摘要】
1.一种关键点检测模型训练方法，其特征在于，所述方法包括：
通过生成模型根据获取的未标注图像样本生成第一热力图；
根据获取的标注图像样本中标注的关键点坐标确定第二热力图；
通过判别模型计算所述第一热力图和所述未标注图像样本的第一匹配度，以及计算所述第二热力图和所述标注图像样本的第二匹配度；
根据所述第一匹配度和所述第二匹配度构建对抗损失函数；
根据所述对抗损失函数对所述生成模型和判别模型进行训练。


2.根据权利要求1所述的方法，其特征在于，根据所述对抗损失函数对所述生成模型和判别模型进行训练，包括：
将所述对抗损失函数作为所述判别模型的损失函数对所述判别模型进行训练；
根据所述对抗损失函数和散度损失函数构建所述生成模型的损失函数，对所述生成模型进行训练；所述散度损失函数用于表示所述标注图像样本的所述第二热力图与第三热力图之间的差距；所述第三热力图是所述生成模型根据所述标注图像样本生成的。


3.根据权利要求2所述的方法，其特征在于，所述生成模型的损失函数为LG＝LKL-λLadv；其中，LG为所述生成模型的损失函数，LKL为所述散度损失函数，Ladv为所述对抗损失函数，λ为损失权重乘积。


4.根据权利要求1所述的方法，其特征在于，所述根据获取的标注图像样本中标注的关键点坐标确定第二热力图，包括：
根据所述关键点坐标计算均值和均方差；
根据所述均值和协方差计算所述第二热力图。


5.一种关键点检测方法，其特征在于，所述方法包括：
获取待检测图像；
通过生成模型生成热力图；所述生成模型是根据标注图像样本和未标注图像样本，与判别图像进行对抗训练得到的；所述对抗训练的方式为通过生成模型根据所述未标注图像样本生成第一热力图；根据所述标注图像样本中标注的关键点坐标确定第二热力图；通过判别模型计算所述第一热力图和所述未标注图像的第一匹配度，以及计算所述第二热力图和所述标注图像样本的第二匹配度；根据所述第一匹配度和所述第二匹配度构建对抗损失函数；根据所述对抗损失函数对所述生成模型和判别模型进行训练；
根据所述热力图确定关键点坐标。


...

【专利技术属性】
技术研发人员：赵佳，李骊，
申请(专利权)人：北京华捷艾米科技有限公司，
类型：发明
国别省市：北京;11