【技术实现步骤摘要】
目标图像的关键点检测方法、装置、电子设备及存储介质
[0001]本专利技术涉及计算机视觉
，尤其是一种目标图像的关键点检测方法、装置、电子设备及存储介质。
技术介绍
[0002]目标图像的关键点检测是指从给定图像中检测出若干个关键点，以便对目标图像进一步分析处理，以人脸图像为例，人脸图像中检测诸如有眼球中心、眼角、鼻尖、嘴角、人脸轮廓等部位的关键点，人脸关键点的准确检测对于人脸识别的应用具有决定性影响。经过人工智能技术的不断发展，目前基于深度学习的关键点检测技术也愈发成熟，目前基于深度学习的关键点检测技术均需要在检测之前训练得到关键点检测模型，然后通过该模型进行关键点检测。
[0003]随着关键点检测场景的不断丰富，越来越多的关键点检测过程需要在不同终端上实现，例如在计算机设备、智能家居设备、智能监控设备等终端上实现人脸关键点检测，进而实现人脸识别等。但是，由于关键点检测涉及模型训练等高运算量的过程，相关技术为了追求检测精度而提高深度学习训练量，过高的模型训练运算量会影响终端的设备性能，导致终端负载过大。因此，...
【技术保护点】
【技术特征摘要】
1.一种目标图像的关键点检测方法，其特征在于，包括：获取训练数据；将所述训练数据输入第一网络训练得到第一网络模型；将所述训练数据输入第二网络，根据所述第一网络模型对所述第二网络进行蒸馏学习，在所述蒸馏学习的同时对所述第二网络进行剪枝处理，得到关键点检测模型，其中，所述蒸馏学习中的知识蒸馏损失函数包括标志函数，所述标志函数用于标志所述训练数据中的正确样本和错误样本；将待检测的目标图像输入所述关键点检测模型，得到所述目标图像中的关键点。2.根据权利要求1所述的一种目标图像的关键点检测方法，其特征在于，所述将所述训练数据输入第一网络训练得到第一网络模型，包括：将所述训练数据输入所述第一网络进行可分离卷积处理，得到不同尺度的第一特征图集合；所述训练数据具有标签，所述标签为所述训练数据的关键点真实坐标值；通过所述第一网络的全连接层对所述第一特征图集合进行第一关键点坐标值预测，得到第一预测结果；采用第一损失函数确定所述第一预测结果和所述标签之间的第一损失值；根据所述第一损失值修改第一网络模型参数，并根据修改后的所述第一网络模型参数生成所述第一网络模型。3.根据权利要求2所述的一种目标图像的关键点检测方法，其特征在于，所述通过所述第一网络的全连接层对所述第一特征图集合进行第一关键点坐标值预测，得到第一预测结果这一步骤之前，还包括：对所述第一特征图集合中各个第一特征图进行全局平均池化处理，得到各个所述第一特征图的第一通道权重。4.根据权利要求2所述的一种目标图像的关键点检测方法，其特征在于，所述将所述训练数据输入第二网络，根据所述第一网络模型对所述第二网络进行蒸馏学习，在所述蒸馏学习的同时对所述第二网络进行剪枝处理，得到关键点检测模型，包括：将所述训练数据输入所述第二网络进行可分离卷积处理，得到不同尺度的第二特征图集合；通过所述第二网络的全连接层对所述第二特征图集合进行第二关键点坐标值预测，得到第二预测结果；采用第二损失函数确定所述第二预测结果和所述标签之间的第二损失值；根据所述第二损失值和所述知识蒸馏损失函数修改第二网络模型参数，并根据修改后的所述第二网络模型参数生成第二网络模型；对所述第二网络模型进行剪枝处理，得到所述关键点检测模型。5.根据权利要求4所述的一种目标图像的关键点检测方法，其特征在于，所述根据所述第二损失值和所述知识蒸馏损失函数修改第二网络模型参数，并根据修改后的所述第二网络模型参数生成第二网络模型，包括：根据所述第一预测结果确定第一预测分布，并根据所述第二预测结果确定第二预测分布；采用所述知识蒸馏损失函数确定所述第一预测分布与所述第二预测分布之间的第三
损失值；根据所述第二损失值和所述第三损失值修改第二网络模型参数，并根据修改后的所述第二网络模型参数生成第二网络模型。6.根据权利要求5所述的一种目标图像的关键点检测方法，其特征在于，所述采用所述知识蒸馏损失函数确定所述第一预测分布与所述第二预测分布之间的第三损失值，包括：确定所述训练数据中的正确样本；将所述第一预测分布中正确样本对应的标志函数置1，并将所述第一预测分布中错误样本对应的标志函数置0，得到赋值后的标志函数；根据所述赋值后的标志函数确定知识蒸馏损失函数，并采用所述知识蒸馏损失函数计算所述第一预测分布与所述第二预测分布之间的差异值，得到所述第三损失值。7.根据权利要求4所述的一种目标图像的关键点检测方法，其特征在于，所述对所述第二网络模型进行...
【专利技术属性】
技术研发人员：涂娟辉，易阳，余晓铭，周易，李峰，左小祥，
申请(专利权)人：腾讯科技深圳有限公司，
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。