【技术实现步骤摘要】
人脸位姿估计模型的训练方法、人脸位姿估计方法及装置
[0001]本公开涉及人工智能领域，尤其涉及人脸位姿估计模型的训练方法、人脸位姿估计方法及装置。
技术介绍
[0002]人脸姿态估计是人脸识别系统、人机交互系统、门禁系统及其他应用场景中非常关键的一步，良好的人脸姿态估计将有助于提高人脸识别的精确度，提升系统的性能。
[0003]目前，传统的人脸位姿估计模型的计算量普遍较大，模型的推理速度较慢且精度仍较低，且对算力的要求较高，难以将模型部署在算力较小的边缘端使用。
技术实现思路
[0004]有鉴于此，本公开实施例提供了一种人脸位姿估计模型的训练方法、人脸位姿估计方法及装置，以解决现有的人脸位姿估计模型的计算量普遍较大，模型的推理速度较慢且精度仍较低，且对算力的要求较高，难以将模型部署在算力较小的边缘端使用的问题。
[0005]本公开实施例的第一方面，提供了一种人脸位姿估计模型的训练方法，包括：
[0006]获取人脸图像，并将人脸图像输入预先构建的初始人脸位姿估计模型中，得到人脸图像的偏...
【技术保护点】
【技术特征摘要】
1.一种人脸位姿估计模型的训练方法，其特征在于，包括：获取人脸图像，并将所述人脸图像输入预先构建的初始人脸位姿估计模型中，得到所述人脸图像的偏航角损失值、俯仰角损失值和翻滚角损失值；基于所述偏航角损失值、俯仰角损失值和翻滚角损失值对所述初始人脸位姿估计模型进行迭代训练，直至得到预设的迭代终止条件，获得最终人脸位姿估计模型；其中，所述初始人脸位姿估计模型包括第一特征提取网络、第二特征提取网络、第三特征提取网络、特征融合网络和损失计算网络；所述第一特征提取网络包括第一深度可分离卷积层、第一批归一化层、第一激活函数层和第一平均池化层；所述第二特征提取网络包括第二深度可分离卷积层、第二批归一化层、第二激活函数层、第一注意力层和第二平均池化层；所述第三特征提取网络包括第三深度可分离卷积层、第三批归一化层、第三激活函数层、第二注意力层。2.根据权利要求1所述的方法，其特征在于，将所述人脸图像输入预先构建的初始人脸位姿估计模型中，得到所述人脸图像的偏航角损失值、俯仰角损失值和翻滚角损失值，包括：利用所述第一特征提取网络对所述人脸图像进行特征提取，得到第一特征图；将所述第一特征图输入所述第二特征提取网络中进行特征提取，得到第二特征图；将所述第二特征图输入所述第三特征提取网络中进行特征提取，得到第三特征图；将所述第二特征图和第三特征图输入所述特征融合网络中进行特征融合，得到融合特征图；将所述融合特征图输入所述损失计算网络中，计算得到所述融合特征图的偏航角损失值、俯仰角损失值和翻滚角损失值。3.根据权利要求2所述的方法，其特征在于，将所述第一特征图输入所述第二特征提取网络中进行特征提取，得到第二特征图，包括：将所述第一特征图输入第二深度可分离卷积层、第二批归一化层、第二激活函数层中进行特征提取，得到第一提取特征图；将所述第一提取特征图输入所述第一注意力层中，得到所述第一提取特征图的第一全局特征信息；将所述第一全局特征信息和所述第一提取特征图输入所述第二平均池化层，输出第二特征图。4.根据权利要求3所述的方法，其特征在于，将所述第一提取特征图输入所述第一注意力层中，得到所述第一提取特征图的第一全局特征信息，包括：对所述第一提取特征图进行矩阵变换处理，得到第一变换矩阵；将所述第一变换矩阵输入所述第一注意力层中，得到第一特征参数、第二特征参数和第三特征参数；根据所述第一特征参数、第二特征参数和第三特征参数，确定所述第一提取特征图的第一全局特征信息。5.根据权利要求2所述的方法，其特征在于，所述特征融合网络包括上采样层、第四平均池化层、第一全连接层、第四激活函数层；将所述第二特征图和第三特征图输入所述特征融合网络中进行特征融合，得到融合特
征图，包括：利用上采样层、第四平均池化层、第一全连接层、第四激活函数层对所述第三特征图进行处理，得到第四特征图；对所述第四特征图和第二特征图进行融合，得到融合特征图。6.根据权利要求5所述的方法，其特征在于，利用上采样层、第四平均池化层、第一全连接层、第四激活函数层对所述第三特征图进行处理，得到第四特征图，包括：利用所述上采样层对所述第三特征图进行处理，得到上采样特征图；将所述上采样特征图输入所...
【专利技术属性】
技术研发人员：祁晓婷，黄泽元，杨战波，蒋召，
申请(专利权)人：北京龙智数科科技服务有限公司，
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。