训练多目标检测模型的方法、检测方法及相关装置制造方法及图纸

本申请实施例涉及目标检测技术领域，公开了一种训练多目标检测模型的方法，训练集包括M个图像子集，一图像子集中各图像标注有对应的单个目标的真实标签(细分类别和位置)。从而，训练集中图像不需要完整标注多个目标的真实标签，对标签完整性要求较低，从而，能够减少开发成本。将训练集输入特征提取网络，得到特征图集，然后将特征图集分别输入M个分支检测网络进行训练，得到构成该多目标检测模型的特征提取子模型和M个分支检测子模型。通过上述训练方式，能够实现用一个包括主干部分(特征提取子模型)和多个分支部分(分支检测子模型)的多目标检测模型即可检测多个目标的分类及定位，通过多分支的子模型合并，有效减少模型部署成本。部署成本。部署成本。

【技术实现步骤摘要】
训练多目标检测模型的方法、检测方法及相关装置


[0001]本申请实施例涉及目标检测
，尤其涉及一种训练多目标检测模型的方法、检测方法及相关装置。

技术介绍

[0002]脸部皮肤检测技术越来地应用在多个领域中。例如，在化妆品研发领域中，需要针对脸部皮肤问题，例如皱纹、黑头或黑眼圈等，设计化妆产品或推荐用户相应的化妆品。又例如，在照片美化特效领域中，需要针对不同脸部皮肤情况进行不同程度的美化特效。
[0003]当前较为常见的脸部皮肤检测技术，主要利用训练好的目标检测模型对脸部皮肤进行检测，自动检测脸部某单一皮肤问题，例如，单独检测出皱纹、单独检测出黑头或单独检测出黑眼圈。所以一张待预测的图片，需要分别经过多个模型才能获得多个维度的结果，这导致服务输出结果慢，模型部署占用的内存多，资源开销大，部署费用高体验差等缺点。

技术实现思路

[0004]本申请实施例主要解决的技术问题是提供一种训练多目标检测模型的方法、检测方法及相关装置，能够实现用一个模型检测多个目标的分类及定位，有效减少模型部署成本，并且训练集的标注对标签完整性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种训练多目标检测模型的方法，其特征在于，所述多目标检测模型包括特征提取子模型和M个分支检测子模型；所述方法包括：获取训练集，所述训练集包括M个图像子集，一个所述图像子集具有多个包括人脸的图像，一个所述图像子集对应一种人脸中可识别的目标，其中，目标图像子集中的图像标注有所述目标图像子集对应的目标的真实标签，所述真实标签包括所述目标的细分类别和位置，所述目标图像子集为所述M个图像子集中的任一图像子集，M是大于或等于2的整数；将所述训练集输入所述特征提取网络，得到特征图集；将所述特征图集分别输入M个分支检测网络进行学习，得到所述训练集中各图像的预测标签；根据所述训练集中各图像的预测标签和真实标签之间的差异，反向迭代调节所述M个分支检测网络的模型参数和所述特征提取网络的模型参数，得到所述特征提取子模型和所述M个分支检测子模型，一个所述分支检测子模型用于对应检测一种人脸中可识别的目标。2.根据权利要求1所述的方法，其特征在于，在所述将所述训练集输入所述特征提取网络，得到特征图集之前，还包括：对所述M个图像子集进行图像数量平衡处理，以使所述M个图像子集中图像的数量相同。3.根据权利要求2所述的方法，其特征在于，所述根据所述训练集中各图像的预测标签和真实标签之间的差异，反向迭代调节所述M个分支检测网络的模型参数和所述特征提取网络的模型参数，得到所述特征提取子模型和所述M个分支检测子模型，包括：计算目标图像的预测标签和真实标签之间的损失，其中，所述目标图像为所述训练集中任意一个图像；对所述损失进行压缩处理，得到压缩损失；根据所述训练集中各图像对应的压缩损失，反向迭代调节所述M个分支检测网络的模型参数和所述特征提取网络的模型参数，得到所述特征提取子模型和所述M个分支检测子模型。4.根据权利要求3所述的方法，其特征在于，所述对所述损失进行压缩处理，得到压缩损失，包括：采用以下公式计算所述压缩损失；其...

【专利技术属性】
技术研发人员：曾梦萍，
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：