表情识别模型训练及表情识别方法、装置、设备及介质制造方法及图纸

本申请提供一种表情识别模型训练及表情识别方法、装置、电子设备及存储介质，该表情识别模型训练方法包括通过自监督预训练分别得到第一表情表征模型和第二表情表征模型；对所述第一表情表征模型进行微调得到第一表情识别模型，并基于第一表情识别模型对第一表情表征模型进行知识蒸馏，得到第二表情识别模型；基于第二表情识别模型对第二表情表征模型进行知识蒸馏，得到第三表情识别模型，通过自监督预训练，利用了大量的无标签样本数据，减少了人工标注的成本，通过在同一表情表征模型上进行自蒸馏，提升了第二表情识别模型的准确率，并通过第二表情识别模型对第二表情表征模型进行知识蒸馏，进一步保证了第三表情识别模型的准确率。型的准确率。型的准确率。

【技术实现步骤摘要】
表情识别模型训练及表情识别方法、装置、设备及介质


[0001]本申请涉及图像处理
，尤其涉及一种表情识别模型训练及表情识别方法、装置、电子设备及存储介质。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本申请的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]表情是非语言交际的一种形式，人类通过表情向他人表达自己内心的感受，同时也通过表情感知他人的情绪。人类的面部表情有许多种分类方式，最常见的分为7种基本情绪：中性、开心、伤心、惊讶、害怕、生气、厌恶。表情识别作为机器视觉的一个重要研究方向，可为机器对人的感知提供重要信息，因此，表情识别是人机交互中的重要环节。但是，目前相关技术中的表情识别方法在实际应用中面临着准确率不足、难以适应复杂的环境变化、易受遮挡影响、模型吞吐量不够等问题。

技术实现思路

[0004]有鉴于此，本申请的目的在于提出一种表情识别模型训练及表情识别方法、装置、电子设备及存储介质。
[0005]基于上述目的，本申请提供了一种表情识别模型训练方法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种表情识别模型训练方法，其特征在于，包括：通过自监督预训练分别得到第一表情表征模型和第二表情表征模型；其中，所述第一表情表征模型的基准模型的参数数量大于所述第二表情表征模型的基准模型的参数数量；对所述第一表情表征模型进行微调得到第一表情识别模型，并基于所述第一表情识别模型对所述第一表情表征模型进行知识蒸馏，得到第二表情识别模型；基于所述第二表情识别模型对所述第二表情表征模型进行知识蒸馏，得到第三表情识别模型。2.根据权利要求1所述的方法，其特征在于，通过对所述第一表情表征模型进行微调得到第一表情识别模型，具体包括：在所述第一表情表征模型的编码器后添加分类层，并基于微调表情样本数据集对添加了分类层后的所述第一表情表征模型进行微调，得到所述第一表情识别模型。3.根据权利要求2所述的方法，其特征在于，基于微调表情样本数据集对添加了分类层后的所述第一表情表征模型进行微调，具体包括：获取所述微调表情样本数据集中的每种表情样本数据的目标数量；基于所述目标数量确定所述每种表情样本数据的补偿权重；通过第一预设损失函数并基于所述补偿权重计算添加了分类层后的所述第一表情表征模型的输出结果的损失。4.根据权利要求1所述的方法，其特征在于，基于所述第一表情识别模型对所述第一表情表征模型进行知识蒸馏，具体包括：从微调表情样本数据集中确定目标样本数据；将所述目标样本数据分别输入到所述第一表情识别模型和所述第一表情表征模型中，并提取所述第一表情识别模型的编码器的第一输出结果，以及所述第一表情表征模型的编码器的第二输出结果；通过第二预设损失函数计算所述第一输出结果与所述第二输出结果的损失结果，并基于所述损失结果调整所述第一表情表征模型的参数。5.根据权利要求1所述的方法，其特征在于，基于所述第二表情识别模型对所述第二表情表征模型进行知识蒸馏，具体包括：从微调表情样本数据集中确定目标样本数据；将所述目标样本数据分别输入到所述第二表情识别模型和所述第二表情表征模型中，并提取所述第二表情识别模型的编码器的第三输出结果，以及所述第二表情表...

【专利技术属性】
技术研发人员：马博文，丁彧，范长杰，
申请(专利权)人：网易杭州网络有限公司，
类型：发明
国别省市：