【技术实现步骤摘要】
一种训练色斑检测模型的方法及相关装置
本专利技术实施例涉及目标检测
,尤其涉及一种训练色斑检测模型的方法及相关装置。
技术介绍
随着移动通信技术的快速发展以及人民生活水平的提升,各种智能终端已广泛应用于人民的日常工作和生活,使得人们越来越习惯于使用APP等软件,使得美颜自拍、拍照测肤此类功能的APP需求也变得越来越多,因此不少的用户希望此类APP能够自动分析出脸部的色斑情况,根据色斑的情况,有针对性提出皮肤改善方案。现有人脸色斑检测主要对色斑可能的区域采用图像处理的方法,提取出色斑区域,该方法过于繁琐,容易受到光照等因素的影响,导致检测的准确度偏低。
技术实现思路
本专利技术实施例主要解决的技术问题是提供一种训练色斑检测模型的方法及相关装置,能准确地对色斑进行分类及定位。为解决上述技术问题,第一方面,本专利技术实施例中提供给了一种训练皱纹检测模型的方法,包括:获取包括人脸的图像样本集;从所述图像样本集中的每个图像中,分别截取可能存在色斑的至少一个脸部局域图像,以得到多个候选区域图像;对各候选区域图像进行分辨率增强处理和尺寸调整,以获取尺寸一致的多个训练图像,其中,所述训练图像的分辨率高于所述候选区域图像的分辨率;将标注有真实标签的多个训练图像作为训练集,对预设卷积神经网络进行训练,以使所述预设卷积神经网络学习所述多个训练图像的真实标签,以获取色斑检测模型,其中,目标训练图像的真实标签包括所述目标训练图像中的色斑在所述目标训练图像中的真实位置、真 ...
【技术保护点】
1.一种训练色斑检测模型的方法,其特征在于,包括:/n获取包括人脸的图像样本集;/n从所述图像样本集中的每个图像中,分别截取可能存在色斑的至少一个脸部局域图像,以得到多个候选区域图像;/n对各候选区域图像进行分辨率增强处理和尺寸调整,以获取尺寸一致的多个训练图像,其中,所述训练图像的分辨率高于所述候选区域图像的分辨率;/n将标注有真实标签的多个训练图像作为训练集,对预设卷积神经网络进行训练,以使所述预设卷积神经网络学习所述多个训练图像的真实标签,以获取色斑检测模型,其中,目标训练图像的真实标签包括所述目标训练图像中的色斑在所述目标训练图像中的真实位置、真实类别以及真实数量,所述目标训练图像为所述多个训练图像中的任一训练图像。/n
【技术特征摘要】
1.一种训练色斑检测模型的方法,其特征在于,包括:
获取包括人脸的图像样本集;
从所述图像样本集中的每个图像中,分别截取可能存在色斑的至少一个脸部局域图像,以得到多个候选区域图像;
对各候选区域图像进行分辨率增强处理和尺寸调整,以获取尺寸一致的多个训练图像,其中,所述训练图像的分辨率高于所述候选区域图像的分辨率;
将标注有真实标签的多个训练图像作为训练集,对预设卷积神经网络进行训练,以使所述预设卷积神经网络学习所述多个训练图像的真实标签,以获取色斑检测模型,其中,目标训练图像的真实标签包括所述目标训练图像中的色斑在所述目标训练图像中的真实位置、真实类别以及真实数量,所述目标训练图像为所述多个训练图像中的任一训练图像。
2.根据权利要求1所述的方法,其特征在于,所述预设卷积神经网络包括特征提取模块、色斑目标检测模块和色斑数量检测模块,所述将所述标注有真实标签的多个训练图像作为训练集,对预设卷积神经网络进行训练,以使所述预设卷积神经网络学习所述多个训练图像的真实标签,以获取色斑检测模型,包括:
将所述目标训练图像输入所述特征提取模块,以获取至少两种尺寸的训练特征图;
将所述训练特征图分成两路,以获取第一路训练特征图和第二路训练特征图;
将所述第一路训练特征图输入所述色斑目标检测模块,以获取所述目标训练图像中的色斑的预测位置和预测类别;
将所述第二路训练特征图输入所述色斑数量检测模块,以获取所述目标训练图像中的色斑的预测数量;
根据预设损失函数计算所述目标训练图像的预测标签与所述目标训练图像的真实标签之间的误差,其中,所述预测标签包括所述预测位置、预测类别和所述预测数量;
根据所述误差,调整所述预设卷积神经网络的模型参数,返回执行将所述目标训练图像输入所述特征提取模块,以获取至少两种尺寸的训练特征图的步骤,直至所述预设卷积神经网络收敛,以获取所述色斑检测模型。
3.根据权利要求2所述的方法,其特在于,所述特征提取模块包括多个特征卷积层,所述多个特征卷积层的卷积核个数随着特征卷积层的层数的增加呈先增大后减小的趋势。
4.根据权利要求3所述的方法,其特征在于,所述多个特征卷积层包括目标特征卷积层,所述目标特征卷积层的卷积核个数为所述色斑的类别的个数,所述目标特征卷积层为与所述色素斑目标检测模块连接的特征卷积层,用于输出所述训练特征图。
5.根据权利要求2所述的方法,其特征在于,所述预设损失函数为位置损失函数、类别损失函数和数量损失函数的加权和,所述位置损失函数用于计算所述真实位置与所述预测位置之间的误差,所述类别损失函数用于计算所述真实类别与所述预测类别之间的误差,所述数量损失函数用于计算所述真实数量与所述预测数量之间的误差。
6.根据权利要求5所述的方法,其特征在于,所述根据预设损失函数计算所述目标训练图像的预测标签...
【专利技术属性】
技术研发人员:陈仿雄,
申请(专利权)人:深圳数联天下智能科技有限公司,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。