[发明专利]模型生成方法和装置

说明书

本公开涉及人工智能领域。本公开的实施例公开了模型生成方法和装置。该方法包括：通过依次执行多次迭代操作生成用于检测目标对象的关键点的神经网络模型；迭代操作包括：基于当前的奖励反馈值，在预设的损失函数搜索空间内确定出预设的神经网络模型的当前损失函数，当前损失函数包括预设的神经网络模型对目标对象的各待检测关键点的检测误差；基于当前损失函数对预设的神经网络模型进行训练，根据训练后的神经网络模型的性能更新奖励反馈值；响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值，基于当前迭代操作中训练后的神经网络模型生成用于检测目标对象的关键点的神经网络模型。该方法提升了神经网络模型的训练效率。

技术领域

本公开的实施例涉及计算机技术领域，具体涉及人工智能技术领域，尤其涉及模型生成方法和装置。

背景技术

随着人工智能技术的发展，深度神经网络在许多领域取得了重要的成果。例如在目标识别、姿态识别、目标跟踪等涉及关键点检测的任务中，深度神经网络可以达到较高的检测精度。

深度神经网络在训练中，通常基于训练目标人工构建损失函数来监督网络参数的迭代更新。在涉及目标对象的关键点检测的任务中，损失函数中的参数可以根据经验设定。例如，在关键点检测任务中，目标对象的关键点数量较多，深度神经网络的性能通常基于所有关键点的检测精度来综合评价。然而，由于关键点检测任务中神经网络需要同时学习不同位置的关键点，根据经验设定的损失函数与各位置的关键点的学习难度可能不匹配，由此导致深度神经网络难以收敛，或者难以达到良好的性能。

发明内容

本公开的实施例提出了模型生成方法和装置、电子设备和计算机可读介质。

第一方面，本公开的实施例提供了一种模型生成方法，包括：通过依次执行多次迭代操作生成用于检测目标对象的关键点的神经网络模型；其中，迭代操作包括：基于当前的奖励反馈值，在预设的损失函数搜索空间内确定出预设的神经网络模型的当前损失函数，其中，当前损失函数包括在当前迭代操作中预设的神经网络模型对目标对象的各待检测关键点的检测误差；基于当前损失函数对预设的神经网络模型进行训练，并根据训练后的神经网络模型的性能更新奖励反馈值；响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值，基于当前迭代操作中训练后的神经网络模型生成用于检测目标对象的关键点的神经网络模型。

在一些实施例中，上述预设的损失函数搜索空间包括待检测关键点的热力图的尺寸参数的搜索空间，热力图中的像素值表征待检测关键点落在对应像素位置的置信度；上述在预设的损失函数搜索空间内确定出预设的神经网络模型的当前损失函数，包括：在待检测关键点的热力图的尺寸参数的搜索空间中分别确定出各待检测关键点的热力图的当前尺寸参数，基于各待检测关键点的热力图的当前尺寸参数构建当前损失函数。

在一些实施例中，上述待检测关键点的热力图的尺寸参数的搜索空间包括第一搜索空间，第一搜索空间包括待检测关键点的圆形热力图的半径搜索空间；上述在待检测关键点的热力图的尺寸参数的搜索空间中分别确定出各待检测关键点的热力图的当前尺寸参数，包括：响应于确定奖励反馈值未达到与第一搜索空间对应的收敛条件，基于当前的奖励反馈值，在第一搜索空间内分别确定出各待检测关键点的圆形热力图的当前半径。

在一些实施例中，上述待检测关键点的热力图的尺寸参数的搜索空间还包括第二搜索空间，第二搜索空间包括非圆形热力图的尺寸参数的搜索空间；以及上述在待检测关键点的热力图的尺寸参数的搜索空间中分别确定出各待检测关键点的热力图的当前尺寸参数，还包括：响应于确定奖励反馈值达到与第一搜索空间对应的收敛条件，基于当前的奖励反馈值，在第二搜索空间内分别确定出各待检测关键点的非圆形热力图的当前尺寸参数。