[发明专利]人脸检测模型训练方法及装置

权利要求书

1.一种人脸检测模型训练方法，其特征在于，所述人脸检测模型包括特征提取网络以及M个人脸检测网络，其中，M为大于或等于2的整数，所述方法包括：

利用所述特征提取网络提取训练图像的特征图，并将所述特征图中的每个特征点处的基准框确定为训练样本；

取i为1至M，将所述特征图输入至第i个人脸检测网络，利用所述第i个人脸检测网络预测获得所述训练样本在所述训练图像中对应的预测框位置以及所述预测框中存在人脸的概率；

根据所述训练样本的分类标签计算所述第i个人脸检测网络在预测后产生的损失；

在i小于M时，根据所述预测框与所述训练样本在所述训练图像中对应的真实框之间的位置关系，确定在计算第i+1个人脸检测网络预测后产生的损失时所述训练样本应当使用的分类标签；

在i为M时，获得将所述M个人脸检测网络的损失累加后得到的总损失，基于所述总损失更新所述人脸检测模型的参数；

获取新的训练图像继续训练所述人脸检测模型，直至满足训练结束条件。

2.根据权利要求1所述的人脸检测模型训练方法，其特征在于，所述利用所述第i个人脸检测网络预测获得每个训练样本在所述训练图像中对应的预测框位置以及所述预测框中存在人脸的概率，包括：

利用所述第i个人脸检测网络的回归分支预测获得每个训练样本在所述训练图像中对应的预测框位置，以及利用所述第i个人脸检测网络的分类分支预测获得所述预测框中存在人脸的概率。

3.根据权利要求2所述的人脸检测模型训练方法，其特征在于，所述根据所述训练样本的分类标签计算所述第i个人脸检测网络在预测后产生的损失，包括：

若所述分类标签为正样本，基于所述预测框与所述真实框计算所述回归分支在预测后产生的回归损失，以及基于所述预测框中存在人脸的概率与所述分类标签计算所述分类分支在预测后产生的分类损失，并将所述回归损失与所述分类损失的加权和确定为所述第i个人脸检测网络在预测后产生的损失；

若所述分类标签为负样本，基于所述预测框中存在人脸的概率与所述分类标签计算所述分类分支在预测后产生的分类损失，并将所述分类损失确定为所述第i个人脸检测网络在预测后产生的损失。

4.根据权利要求3所述的人脸检测模型训练方法，其特征在于，所述根据所述训练样本的分类标签计算所述第i个人脸检测网络在预测后产生的损失，还包括：

若所述分类标签为忽略样本，不计算所述第i个人脸检测网络在预测后产生的损失。

5.根据权利要求4所述的人脸检测模型训练方法，其特征在于，所述根据所述预测框与所述训练样本在所述训练图像中对应的真实框之间的位置关系，确定在计算第i+1个人脸检测网络预测后产生的损失时所述训练样本应当使用的分类标签，包括：

计算所述预测框与所述真实框之间的交并比；

若所述交并比不小于阈值t1_i，将在计算第i+1个人脸检测网络预测后产生的损失时所述训练样本应当使用的分类标签确定为所述正样本；

若所述交并比不大于阈值t2_i，将在计算第i+1个人脸检测网络预测后产生的损失时所述训练样本应当使用的分类标签确定为所述负样本；

若所述交并比小于所述阈值t1_i且大于所述阈值t2_i，将在计算第i+1个人脸检测网络预测后产生的损失时所述训练样本应当使用的分类标签确定为所述忽略样本。

6.根据权利要求4所述的人脸检测模型训练方法，其特征在于，所述方法还包括：

计算所述训练样本与所述真实框之间的交并比；

若所述交并比不小于阈值t1₁，将在计算第一个人脸检测网络预测后产生的损失时所述训练样本应当使用的分类标签确定为所述正样本；

若所述交并比不大于阈值t2₁，将在计算第一个人脸检测网络预测后产生的损失时所述训练样本应当使用的分类标签确定为所述负样本；

若所述交并比小于所述阈值t1₁且大于所述阈值t2₁，将在计算第一个人脸检测网络预测后产生的损失时所述训练样本应当使用的分类标签确定为所述忽略样本。