【技术实现步骤摘要】
关键点检测模型的训练方法和检测目标对象关键点的方法
[0001]本公开涉及电子
,具体涉及增强现实和深度学习
,更具体地涉及一种关键点检测模型的训练方法和检测目标对象关键点的方法、装置、电子设备和存储介质。
技术介绍
[0002]目前关键点检测方法使用有标注的监督数据进行训练。为了提高检测精度,通常需要海量的监督数据,这无疑给训练带来了较大的标注成本。
技术实现思路
[0003]提供了一种降低训练成本、并保证检测精度的关键点检测模型的训练方法及检测目标对象关键点的方法、装置、电子设备和存储介质。
[0004]根据本公开的一个方面,提供了一种关键点检测模型的训练方法,该方法包括:获取包括目标对象的训练样本,该训练样本至少包括不具有标签的第一类训练样本;基于训练样本,采用关键点检测模型获得目标对象的多个关键点的预测位置信息;以及基于针对训练样本的预定损失函数和预测位置信息,对关键点检测模型进行训练,其中,针对第一类训练样本的预定损失函数是基于多个关键点中相邻关键点的预测位置信息构建得到的。
[0005]根据本公开的另一个方面,提供了一种检测目标对象关键点的方法,包括:获取包括目标对象的待处理图像;以及采用关键点检测模型,获得待处理图像中目标对象的关键点的位置信息。其中,关键点检测模型采用前述的关键点检测模型的训练方法训练得到。
[0006]根据本公开的另一个方面,提供了一种关键点检测模型的训练装置,该装置包括:样本获取模块,用于获取包括目标对象的训练样本,该训练样本至少 ...
【技术保护点】
【技术特征摘要】
1.一种关键点检测模型的训练方法,包括:获取包括目标对象的训练样本,所述训练样本至少包括不具有标签的第一类训练样本;基于所述训练样本,采用关键点检测模型获得所述目标对象的多个关键点的预测位置信息;以及基于针对所述训练样本的预定损失函数和所述预测位置信息,对所述关键点检测模型进行训练,其中,针对所述第一类训练样本的预定损失函数是基于多个关键点中相邻关键点的预测位置信息构建得到的。2.根据权利要求1所述的方法,其中,对所述关键点检测模型进行训练包括:基于所述多个关键点的预测位置信息,确定所述预定损失函数的取值;以及根据所述预定损失函数的取值,对所述关键点检测模型进行训练。3.根据权利要求2所述的方法,其中,在所述训练样本为第一类训练样本的情况下,确定所述预定损失函数的取值包括:确定所述多个关键点中相邻的任意两个关键点之间的连线,作为目标连线;基于所述多个关键点中相邻的任意三个关键点的预测位置信息,确定所述任意三个关键点之间的两条目标连线的差异;以及根据所述差异,确定所述预定损失函数的取值。4.根据权利要求3所述的方法,其中,确定所述任意三个关键点之间的两条目标连线的差异包括以下至少之一:确定所述两条目标连线的长度的差值;确定所述两条目标连线之间的夹角值。5.根据权利要求4所述的方法,其中,针对所述第一类训练样本的预定损失函数采用以下公式表示:其中,n为所述多个关键点的个数,p
i
为所述多个关键点中的第i个关键点,p
i
‑1为所述多个关键点中的第(i
‑
1)个关键点,p
i+1
为所述多个关键点中的第(i+1)个关键点,D(p
i
‑1,p
i
)为第(i
‑
1)个关键点与第i个关键点之间的目标连线的长度,D(p
i
,p
i+1
)为第i个关键点与第(i+1)个关键点之间的目标连线的长度,V(p
i
‑1,p
i
)为第(i
‑
1)个关键点与第i个关键点之间的目标连线相对于预定轴的转动角度,V(p
i
,p
i+1
)为第i个关键点与第(i+1)个关键点之间的目标连线相对于预定轴的转动角度,其中,在i=1时,i
‑
1被赋值为n,在i=n时,i+1被赋值为1。6.根据权利要求1~5中任一项所述的方法,其中,所述训练样本还包括具有标签的第二类训练样本,所述标签指示所述目标对象中多个关键点的位置信息;所述方法还包括:根据所述训练样本的类型,确定针对所述训练样本的预定损失函数。7.根据权利要求6所述的方法,其中,在所述训练样本为所述第二类训练样本的情况下,对所述关键点检测模型进行训练包括:
基于针对所述训练样本的预定损失函数、所述多个关键点的预测位置信息和所述标签指示的位置信息,对所述关键点检测模型进行训练。8.根据权利要求6或7所述的方法,其中,在所述训练样本为所述第二类训练样本的情况下,针对所述训练样本的预定损失函数包括以下任意一个:平均绝对误差、均方误差损失、平滑平方绝对误差。9.一种检测目标对象关键点的方法,包括:获取包括目标对象的待处理图像;以及采用关键点检测模型获得所述待处理图像中目标对象的关键点的位置信息,其中,所述关键点检测模型采用权利要求1~8中任一项所述的方法训练得到。10.一种关键点检测模型的训练装置,包括:样本获取模块,用于获取包括目标对象的训练样本,所述训练样本至少包括不具有标签的第一类训练样本;预测信息获得模块,用于基于所述训练样本,采用关键点检测模型获得所述目标对象的多个关键点的预测位置信息;以及模型训练模块,用于基于针对所述训练样本的预定损失函数和所述预测位置信息,对所述关键点检测模型进行训练,其中,针对所...
【专利技术属性】
技术研发人员:宫延河,
申请(专利权)人:北京百度网讯科技有限公司,
类型:发明
国别省市:
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。