关键点检测模型的训练方法以及关键点检测方法技术

本公开关于一种关键点检测模型的训练方法以及关键点检测方法，训练方法包括：获取训练数据集，其中，训练数据集包括至少一幅原始图像和每一原始图像上的关键点真实位置信息；对第一关键点检测模型中的第一参数进行定点量化，得到具有第二参数的第二关键点检测模型，其中，第一参数是第一关键点检测模型的参数中涉及浮点运算的参数，第二参数是第一参数经过定点量化后的参数；基于每一原始图像，利用第二关键点检测模型，得到每一原始图像对应的关键点预测位置信息；根据关键点预测位置信息和关键点真实位置信息之间的差异，调整第一关键点检测模型的参数。本公开缩小了模型的尺寸和运算量，实现了轻量级的模型部署。实现了轻量级的模型部署。实现了轻量级的模型部署。

【技术实现步骤摘要】
关键点检测模型的训练方法以及关键点检测方法


[0001]本公开涉及计算机
，更具体地说，涉及一种关键点检测模型的训练方法以及关键点检测方法。

技术介绍

[0002]随着计算机技术的发展，对于图像的关键点检测的应用愈来愈频繁。在图像关键点检测中，深度学习方法取得了明显的成效。在相关技术中，通过引入注意力机制的卷积神经网络来进行关键点检测模型的训练，但是，这种方法计算效率较低，且计算量较大。

技术实现思路

[0003]本公开提供一种关键点检测模型的训练方法以及关键点检测方法，以至少解决上述相关技术中的问题，也可不解决任何上述问题。
[0004]根据本公开实施例的第一方面，提供一种关键点检测模型的训练方法，包括：获取训练数据集，其中，所述训练数据集包括至少一幅原始图像和每一原始图像上的关键点真实位置信息；对第一关键点检测模型中的第一参数进行定点量化，得到具有第二参数的第二关键点检测模型，其中，所述第一参数是所述第一关键点检测模型的参数中涉及浮点运算的参数，所述第二参数是所述第一参数经过定点量化后的参数；基于每一原始图像，本文档来自技高网...

【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，其特征在于，包括：获取训练数据集，其中，所述训练数据集包括至少一幅原始图像和每一原始图像上的关键点真实位置信息；对第一关键点检测模型中的第一参数进行定点量化，得到具有第二参数的第二关键点检测模型，其中，所述第一参数是所述第一关键点检测模型的参数中涉及浮点运算的参数，所述第二参数是所述第一参数经过定点量化后的参数；基于每一原始图像，利用所述第二关键点检测模型，得到每一原始图像对应的关键点预测位置信息；根据所述关键点预测位置信息和所述关键点真实位置信息之间的差异，调整所述第一关键点检测模型的参数。2.如权利要求1所述的训练方法，其特征在于，所述第一关键点检测模型包括单线连接的多个网络模块；其中，所述多个网络模块包括至少一个第一网络模块和至少一个第二网络模块；所述第一网络模块中包括特征提取结构和特征融合结构，所述第二网络模块中包括特征提取结构，所述特征提取结构包括第一卷积网络。3.如权利要求2所述的训练方法，其特征在于，所述特征提取结构包括第二卷积网络，所述第二卷积网络的网络深度高于所述第一卷积网络的网络深度；所述第一网络模块中的特征提取结构的第二卷积网络的步长值为第一预设值，所述第二网络模块中的特征提取结构的第二卷积网络的步长值为第二预设值。4.如权利要求1所述的训练方法，其特征在于，所述关键点预测位置信息为关键点预测位置坐标，所述关键点真实位置信息为关键点真实位置坐标；所述根据所述关键点预测位置信息和所述关键点真实位置信息之间的差异，调整所述第一关键点检测模型的参数，包括：根据所述关键点预测位置坐标和所述关键点真实位置坐标的差值，计算所述第一关键点检测模型的损失函数的值；通过根据所述损失函数的值调整所述第一关键点检测模型的参数。5.一种关键点检测方法，其特征在于，包括：获取待检测图像和第三关键点检测模型，其中，所述第三关键点检测模型是通过对经由如权利要求1到4中的任一权利要求所述的关键点检测模型的训练方法训练得到的第一关键点检测模型的第一参数进行定点量化得到的，所述第一参数是训练得到的第一关键点检测模型的参数中涉及浮点运算的参数；将所述待检测图像输入所述第...

【专利技术属性】
技术研发人员：马熠东，谷继力，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：