[发明专利]一种图像数据标定训练方法及其设备、存储介质、服务器

说明书

本发明实施例公开一种图像数据标定训练方法及其设备、存储介质、服务器，其中方法包括如下步骤：获取图像数据经扰动处理后对应的扰动图像数据集合，及该集合对应的参考标定坐标；基于CNN获取扰动图像数据集合的目标标定坐标；将参考标定坐标和目标标定坐标作为图像数据标定训练过程中正向传播函数的输入参数；获取正向传播函数的梯度信息，根据梯度信息和CNN的学习率获取正向传播函数的输出变化量；根据输出变化量获取训练过程中反向传播函数内目标标定坐标的坐标变化量；基于坐标变化量调整CNN中各层网络参数，使调整网络参数后的CNN计算得到的正向传播函数的输出变化量最小。采用本发明，可以提高训练后的模型对图片中人脸进行标定的准确性。

技术领域

本发明涉及计算机技术领域，尤其涉及一种图像数据标定训练方法及其设备、存储介质、服务器。

背景技术

在互联网技术快速发展以及人工智能技术越来越成熟的网络互联网时代，人脸定位这一图像处理技术成为了当下研究的热点技术之一。其中，人脸定位是通过图像处理算法计算出图片上人脸的各个特征点位置的技术，特征点可以是人脸上比价显著的点，例如眼角、眉角、嘴角、鼻尖以及下巴等。现有技术中，深度学习算法(例如，卷积神经网络CNN)是当前最常用的人脸定位算法，具体通过对图像库中图像的训练得到的训练模型，从而对人脸上各个特征点的位置的图片进行定位，然而，由于深度学习训练用的图像库中有些图像的标定点的存在误差或者错误，影响了训练后的模型对图像中人脸特征点进行标定的准确性。

发明内容

本发明实施例提供一种图像数据标定训练方法及其设备、存储介质、服务器，通过对已准确添加标定点的图像进行扰动处理，并分析扰动处理后的图像集合的训练过程，可以提高训练后的模型对图像中人脸特征点进行标定的准确性。

本发明实施例第一方面提供了一种图像数据标定训练方法，可包括：

获取图像数据经扰动处理后所对应的扰动图像数据集合，并获取所述扰动图像数据集合对应的参考标定坐标；

基于卷积神经网络CNN获取所述扰动图像数据集合对应的目标标定坐标；

将所述参考标定坐标和所述目标标定坐标作为图像数据标定训练过程中正向传播函数的输入参数；

基于所述输入参数获取所述正向传播函数的梯度信息，并根据所述梯度信息和所述CNN的学习率获取所述正向传播函数的输出变化量；

根据所述输出变化量获取所述图像数据标定训练过程中反向传播函数所指示的所述目标标定坐标的坐标变化量；

基于所述坐标变化量调整所述CNN中各网络层的网络参数，使得基于调整网络参数后的CNN计算得到的正向传播函数的输出变化量最小。

本发明实施例第二方面提供了一种图像数据标定训练设备，可包括：

参考坐标获取单元，用于获取图像数据经扰动处理后所对应的扰动图像数据集合，并获取所述扰动图像数据集合对应的参考标定坐标；

目标坐标获取单元，用于基于卷积神经网络CNN获取所述扰动图像数据集合对应的目标标定坐标；

参数确定单元，用于将所述参考标定坐标和所述目标标定坐标作为图像数据标定训练过程中正向传播函数的输入参数；

输出变化获取单元，用于基于所述输入参数获取所述正向传播函数的梯度信息，并根据所述梯度信息和所述CNN的学习率获取所述正向传播函数的输出变化量；

坐标变化获取单元，用于根据所述输出变化量获取所述图像数据标定训练过程中反向传播函数所指示的所述目标标定坐标的坐标变化量；

参数调整单元，用于基于所述坐标变化量调整所述CNN中各网络层的网络参数，使得基于调整网络参数后的CNN计算得到的正向传播函数的输出变化量最小。