【技术实现步骤摘要】
本公开涉及表情识别，尤其涉及一种基于细粒度增强特征的表情识别模型的训练方法及装置。
技术介绍
1、表情识别是判断人脸图像所属的表情类别，随着计算机视觉的发展，其重要性越来越显著。在实际应用中，大部分场景下待检测的人脸图像是存在遮挡的，遮挡会导致关键特征难以提取，进而降低表情识别算法的精度。现有方法为了提升表情识别算法的精度，常是会从数据角度出发，通过数据增强策略构造更多的训练样本，使用更多的训练样本训练表情识别模型，以提高表情识别模型的精度。该方法会额外增加很多工作量，且在表情识别模型的精度达到一定程度，就难以提升训练效果。
技术实现思路
1、有鉴于此，本公开实施例提供了一种基于细粒度增强特征的表情识别模型的训练方法、装置、电子设备及计算机可读存储介质，以解决现有技术中由于遮挡造成关键特征丢失导致表情识别模型精度低的问题。
2、本公开实施例第一方面，提供了一种基于细粒度增强特征的表情识别模型的训练方法，包括：构建图像处理网络、细粒度特征增强网络和分类网路，利用图像处理网络、细粒度特征增强网络和分类网路构建表情识别模型；获取训练图像，将训练图像输入表情识别模型：通过图像处理网络处理训练图像，得到图像特征向量；通过细粒度特征增强网络处理训练图像和图像特征向量，得到细粒度增强特征矩阵；通过分类网路处理细粒度增强特征矩阵，得到分类结果；计算分类结果和训练图像的标签之间的损失，依据损失优化表情识别模型的模型参数，以完成对表情识别模型的训练。
3、本公开实施例第二方面，
4、本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
5、本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
6、本公开实施例与现有技术相比存在有益效果是：构建图像处理网络、细粒度特征增强网络和分类网路，利用图像处理网络、细粒度特征增强网络和分类网路构建表情识别模型；获取训练图像，将训练图像输入表情识别模型：通过图像处理网络处理训练图像，得到图像特征向量；通过细粒度特征增强网络处理训练图像和图像特征向量，得到细粒度增强特征矩阵；通过分类网路处理细粒度增强特征矩阵，得到分类结果；计算分类结果和训练图像的标签之间的损失，依据损失优化表情识别模型的模型参数，以完成对表情识别模型的训练。采用上述技术手段，可以解决现有技术由于遮挡造成关键特征丢失导致表情识别模型精度低的问题，进而提高表情识别算法的精度。
本文档来自技高网...【技术保护点】
1.一种基于细粒度增强特征的表情识别模型的训练方法，其特征在于，包括：
2.根据权利要求1所述方法，其特征在于，构建遮挡网络、图像处理网络和细粒度特征增强网络，包括：
3.根据权利要求2所述方法，其特征在于，通过所述图像处理网络处理所述训练图像，得到图像特征向量，包括：
4.根据权利要求2所述方法，其特征在于，通过所述细粒度特征增强网络处理所述训练图像和所述图像特征向量，得到细粒度增强特征矩阵，包括：
5.根据权利要求4所述方法，其特征在于，通过所述第一分支网络处理所述随机向量和多条拉平特征向量，得到键向量和值向量，包括：
6.根据权利要求2所述方法，其特征在于，通过所述分类网路处理所述细粒度增强特征矩阵，得到分类结果，包括：
7.根据权利要求1所述方法，其特征在于，依据所述损失优化所述表情识别模型的模型参数，以完成对所述表情识别模型的训练之后，所述方法还包括：
8.一种基于细粒度增强特征的表情识别模型的训练装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器以及存储在所述存
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于细粒度增强特征的表情识别模型的训练方法，其特征在于，包括：
2.根据权利要求1所述方法，其特征在于，构建遮挡网络、图像处理网络和细粒度特征增强网络，包括：
3.根据权利要求2所述方法，其特征在于，通过所述图像处理网络处理所述训练图像，得到图像特征向量，包括：
4.根据权利要求2所述方法，其特征在于，通过所述细粒度特征增强网络处理所述训练图像和所述图像特征向量，得到细粒度增强特征矩阵，包括：
5.根据权利要求4所述方法，其特征在于，通过所述第一分支网络处理所述随机向量和多条拉平特征向量，得到键向量和值向量，包括：
6.根据权利要求2所述方法，其特征在于，通过所述分类网路...
【专利技术属性】
技术研发人员：王旭岩，
申请(专利权)人：深圳须弥云图空间科技有限公司，
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。