申请/专利权人：珠海大横琴科技发展有限公司

申请日：2022-10-09

公开（公告）日：2023-01-13

公开（公告）号：CN115376195B

主分类号：G06V40/16

分类号：G06V40/16;G06N3/04;G06N3/08;G06V10/52;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2023.01.13#授权;2022.12.09#实质审查的生效;2022.11.22#公开

摘要：本申请实施例涉及神经网络技术领域，公开了一种训练多尺度网络模型的方法及人脸关键点检测方法。其中，所述训练多尺度网络模型的方法包括：将第一样本图像输入多尺度神经网络模型，获得第一人脸关键点预测图像，所述多尺度神经网络模型包括特征提取模块、组合模块和预测模块；利用损失函数计算所述第一人脸关键点预测图像和所述第一样本图像的真实关键点图像之间的损失，对所述多尺度神经网络模型进行迭代训练，直至收敛，得到多尺度网络模型。本申请能够实现多尺度特征图的动态组合，获得更具识别能力的特征表达，获得的多尺度网络模型保证较好的检测性能上限，可以减少网络内存占用和加速计算，且利于提高人脸关键点的精确定位。

主权项：1.一种训练多尺度网络模型的方法，其特征在于，所述方法包括：将第一样本图像输入多尺度神经网络模型，获得第一人脸关键点预测图像，所述多尺度神经网络模型包括特征提取模块、组合模块和预测模块，所述特征提取模块用于提取多尺度特征图，所述多尺度包括多通道和或多分辨率，所述组合模块用于基于权重参数加权组合所述多尺度特征图中的至少两个以获取新特征图，所述预测模块用于对所述新特征图进行人脸关键点预测，以获取所述第一人脸关键点预测图像；利用损失函数计算所述第一人脸关键点预测图像和所述第一样本图像的真实关键点图像之间的损失，对所述多尺度神经网络模型进行迭代训练，直至收敛，得到多尺度网络模型；其中，所述损失函数包括第一损失和第二损失，所述第一损失为所述第一人脸关键点预测图像和所述第一样本图像的真实关键点图像之间的误差，所述第二损失为与各所述权重参数绝对值之和的乘积，为正则化的权重；将所述多尺度网络模型的各所述权重参数中小于第一剪枝阈值的权重参数置为0，以获得第一轻量级网络模型；获取所述第一轻量级网络模型的第二对偶网络模型；将所述多尺度网络模型作为第二教师模型，且将第四样本图像输入所述多尺度网络模型，获得第六人脸关键点预测图像作为软标签；将所述第四样本图像输入所述第一轻量级网络模型，获得第七人脸关键点预测图像；将所述第四样本图像输入所述第二对偶网络模型，获得第八人脸关键点预测图像；计算所述第七人脸关键点预测图像和所述第八人脸关键点预测图像之间的第一蒸馏损失，以及计算所述第八人脸关键点预测图像和所述第七人脸关键点预测图像之间的第二蒸馏损失；计算所述第六人脸关键点预测图像和所述第七人脸关键点预测图像之间的第三蒸馏损失，以及计算所述第六人脸关键点预测图像和所述第八人脸关键点预测图像之间的第四蒸馏损失；计算所述第七人脸关键点预测图像和所述第四样本图像的真实关键点图像之间的第一误差损失，以及所述第八人脸关键点预测图像和所述第四样本图像的真实关键点图像之间的第二误差损失；利用所述第一蒸馏损失、所述第三蒸馏损失和所述第一误差损失之和对所述第一轻量级网络模型进行迭代训练，直至收敛，得到第五轻量级网络模型；利用所述第二蒸馏损失、所述第四蒸馏损失和所述第二误差损失之和对所述第一轻量级网络模型的第二对偶网络模型进行迭代训练，直至收敛，得到第六轻量级网络模型。

全文数据：

权利要求：

百度查询： 珠海大横琴科技发展有限公司 训练多尺度网络模型的方法及人脸关键点检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD