【技术实现步骤摘要】
本专利技术涉及图像检测，特别涉及一种低照度人脸检测模型构建方法、装置及终端。
技术介绍
1、人脸检测任务旨在准确定位给定图像中的所有人脸，近年来，通过深度学习的不断发展，该技术也正广泛应用于人脸对齐、人脸识别、人脸属性分析等下游任务中。尽管常规场景下的人脸检测已经具备优异的检测性能，但是，由于亮度不均、噪声占比高、对比度低等因素，低照度人脸检测仍极具挑战性。
2、在现有技术中，针对低照度人脸的研究方法大多基于海量标签的监督训练，然而获取低照度场景下的标签数据成本高、难度大，且泛化能力差，导致现有的低照度人脸检测模型的预测性能还不够准确。
3、因此，现有技术还有待改进和提高。
技术实现思路
1、针对现有技术的上述缺陷，提供一种低照度人脸检测模型构建方法、装置及终端，旨在解决现有技术中低照度人脸检测模型的预测性能还不够准确的问题。
2、本专利技术的第一方面，提供一种低照度人脸检测模型构建方法，包括：
3、获取源域和目标域，所述源域为已标注出人脸信息的常规照度数据集，所述目标域为未标注出人脸信息的低照度数据集；
4、获取初始模型，所述初始模型包括学生模型和教师模型，所述学生模型和所述教师模型的结构相同；
5、基于所述源域对所述学生模型进行监督训练，得到初始模型参数和第一监督损失；
6、基于所述初始模型参数和所述第一监督损失对所述学生模型和所述教师模型进行交互监督学习，得到目标检测模型。
7、所
8、复制所述初始模型参数至所述教师模型；
9、对所述源域和所述目标域进行预处理，得到低照度源域、第一目标域和第二目标域；
10、基于所述低照度源域对所述学生模型进行监督训练，得到第二监督损失；
11、将所述第一目标域输入至所述教师模型进行预测，得到初始伪标签，所述初始伪标签为所述教师模型预测出的所述第一目标域中图像的人脸标签；
12、基于所述初始伪标签和所述第二目标域对所述学生模型进行无监督训练，得到无监督损失；
13、基于所述第一监督损失、所述第二监督损失和所述无监督损失优化所述学生模型；
14、基于ema更新策略，获取所述学生模型的序列的滑动平均值，对所述教师模型进行更新；
15、重复执行所述对所述源域和所述目标域进行预处理的步骤，直至所述教师模型和学生模型进行更新的次数达到预设次数，得到所述目标检测模型。
16、所述的低照度人脸检测模型构建方法，其中，所述对所述源域和所述目标域进行预处理，得到低照度源域、第一目标域和第二目标域，包括：
17、对所述源域中的图像进行夜间迁移处理，得到所述低照度源域；
18、对所述目标域中的图像进行弱增强处理，得到所述第一目标域；
19、对所述目标域中的图像进行强增强处理，得到所述第二目标域。
20、所述的低照度人脸检测模型构建方法，其中，所述基于所述初始伪标签和所述第二目标域对所述学生模型进行无监督训练，包括：
21、获取目标置信值阈值，基于所述目标置信值阈值对所述初始伪标签进行过滤后，通过nms操作去掉所述初始伪标签中的冗余框，得到目标伪标签；
22、将所述目标伪标签作为所述第二目标域的标注数据与所述第二目标域共同输入至所述学生模型进行训练，得到所述无监督损失。
23、所述的低照度人脸检测模型构建方法，其中，所述基于所述第一监督损失、所述第二监督损失和所述无监督损失优化所述学生模型，还包括：
24、在所述学生模型进行监督训练以及无监督训练时，预测输入数据的预测领域标签，所述预测领域标签包括第一标签和第二标签，所述第一标签表示输入源为源域数据，所述第二标签表示输入源为目标域数据；
25、获取输入源真实领域标签，基于所述真实领域标签和所述预测领域标签获取目标对抗损失。
26、所述的低照度人脸检测模型构建方法，其中，基于所述第一监督损失、所述第二监督损失和所述无监督损失优化所述学生模型，还包括：
27、获取正样本数据和负样本数据，所述正样本数据包括所述第一目标域中的第一图像组和所述第二目标域中的第二图像组，所述第一图像组和所述第二图像组与所述目标域中对应的图像相同，所述负样本数据包括所述第一目标域中除所述第一图像组中的所有图像；
28、基于所述正样本数据和所述负样本数据对所述学生模型进行自监督训练，得到目标自监督损失。
29、所述的低照度人脸检测模型构建方法，其中，所述根所述基于所述第一监督损失、所述第二监督损失和所述无监督损失优化所述学生模型，包括：
30、基于目标损失函数对所述学生模型进行优化；
31、所述目标损失函数为：
32、，
33、其中，，，为权重平衡因子，，分别为所述第一监督损失和所述第二监督损失，为所述无监督损失，为所述目标对抗损失，为所述目标自监督损失。
34、本专利技术的第二方面，提供一种低照度人脸检测模型构建装置，包括：
35、数据获取模块，所述数据获取模块用于获取源域和目标域，所述源域为已标注出人脸信息的常规照度数据集，所述目标域为未标注出人脸信息的低照度数据集；
36、构建模块，所述构建模块用于获取初始模型，所述初始模型包括学生模型和教师模型，所述学生模型和所述教师模型的结构相同；
37、初始模块，所述初始模块用于基于所述源域对所述学生模型进行监督训练，得到初始模型参数和第一监督损失；
38、优化模块，所述优化模块用于基于所述初始模型参数和所述第一监督损失对所述学生模型和所述教师模型进行交互监督学习，得到目标检测模型。
39、本专利技术的第三方面，提供一种终端，包括：处理器、与处理器通信连接的存储介质，存储介质适于存储多条指令，处理器适于调用存储介质中的指令，以执行实现上述任一项所述的低照度人脸检测模型构建方法的步骤。
40、本专利技术的第四方面，提供一种存储介质，其中，存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现上述任一项所述的低照度人脸检测模型构建方法的步骤。
41、有益效果：与现有技术相比，本专利技术提供了一种低照度人脸检测模型构建方法、装置及终端，本专利技术提供的低照度人脸检测模型构建方法中，通过获取源域和目标域，其中，所述源域为已标注出人脸信息的常规照度数据集，所述目标域为未标注出人脸信息的低照度数据集，然后获取初始模型，所述初始模型包括学生模型和教师模型，所述学生模型和所述教师模型的结构相同，之后基于所述源域对所述学生模型进行监督训练，得到初始模型参数和第一监督损失，最后，基于所述初始模型参数和所述第本文档来自技高网...
【技术保护点】
1.一种低照度人脸检测模型构建方法，其特征在于，包括：
2.根据权利要求1所述的低照度人脸检测模型构建方法，其特征在于，所述基于所述初始模型参数和所述第一监督损失对所述学生模型和所述教师模型进行交互监督学习，得到目标检测模型，包括：
3.根据权利要求2所述的低照度人脸检测模型构建方法，其特征在于，所述对所述源域和所述目标域进行预处理，得到低照度源域、第一目标域和第二目标域，包括：
4.根据权利要求2所述的低照度人脸检测模型构建方法，其特征在于，所述基于所述初始伪标签和所述第二目标域对所述学生模型进行无监督训练，包括：
5.根据权利要求2所述的低照度人脸检测模型构建方法，其特征在于，所述基于所述第一监督损失、所述第二监督损失和所述无监督损失优化所述学生模型，还包括：
6.根据权利要求5所述的低照度人脸检测模型构建方法，其特征在于，基于所述第一监督损失、所述第二监督损失和所述无监督损失优化所述学生模型，还包括：
7.根据权利要求6所述的低照度人脸检测模型构建方法，其特征在于，所述根所述基于所述第一监督损失、所述第
8.一种低照度人脸检测模型构建装置，其特征在于，所述装置包括：
9.一种终端，其特征在于，所述终端包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令，所述处理器适于调用所述存储介质中的指令，以执行实现上述权利要求1-7任一项所述的低照度人脸检测模型构建方法的步骤。
10.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-7任一项所述的低照度人脸检测模型构建方法的步骤。
...【技术特征摘要】
1.一种低照度人脸检测模型构建方法，其特征在于，包括：
2.根据权利要求1所述的低照度人脸检测模型构建方法，其特征在于，所述基于所述初始模型参数和所述第一监督损失对所述学生模型和所述教师模型进行交互监督学习，得到目标检测模型，包括：
3.根据权利要求2所述的低照度人脸检测模型构建方法，其特征在于，所述对所述源域和所述目标域进行预处理，得到低照度源域、第一目标域和第二目标域，包括：
4.根据权利要求2所述的低照度人脸检测模型构建方法，其特征在于，所述基于所述初始伪标签和所述第二目标域对所述学生模型进行无监督训练，包括：
5.根据权利要求2所述的低照度人脸检测模型构建方法，其特征在于，所述基于所述第一监督损失、所述第二监督损失和所述无监督损失优化所述学生模型，还包括：
6.根据权利要求5所述的低照度人脸检测模型...
【专利技术属性】
技术研发人员：陈芳林，高明君，裴文杰，卢光明，
申请(专利权)人：哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院，
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。