[发明专利]关键点定位模型的训练方法、装置和计算机设备在审

专利信息
申请号: 202110737218.5 申请日: 2021-06-30
公开(公告)号: CN113449718A 公开(公告)日: 2021-09-28
发明(设计)人: 刘杰;王健宗;瞿晓阳 申请(专利权)人: 平安科技(深圳)有限公司
主分类号: G06K9/20 分类号: G06K9/20;G06K9/46;G06K9/62;G06N3/04
代理公司: 深圳市明日今典知识产权代理事务所(普通合伙) 44343 代理人: 王杰辉;罗燕
地址: 518000 广东省深圳市福田区福*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 关键 定位 模型 训练 方法 装置 计算机 设备
【权利要求书】:

1.一种关键点定位模型的训练方法,其特征在于,包括:

获取预设的样本数据集;其中,所述样本数据集包括已标注样本与未标注样本,所述已标注样本为标注有多个关键点的动物图像数据;

利用所述样本数据集中的所述已标注样本对预设的神经网络模型进行训练,得到训练好的第一初始定位模型;

利用所述第一初始定位模型对所述未标注样本进行预测处理,生成分配有伪标记的预测样本,并从所述预测样本中筛选出符合预设条件的目标预测样本;

使用所述目标预测样本对所述已标注样本进行扩充,得到对应的扩充样本;

基于所述扩充样本与所述第一初始定位模型,得到与所述第一初始定位模型对应的总体损失函数;

基于所述总体损失函数对所述第一初始定位模型的模型参数进行调整,得到调整好的第二初始定位模型;

将所述第二初始定位模型作为关键点定位模型,以通过所述关键点定位模型对待处理的动物图像数据进行关键点预测处理。

2.根据权利要求1所述的关键点定位模型的训练方法,其特征在于,所述利用所述第一初始定位模型对所述未标注样本进行预测处理,生成分配有伪标记的预测样本,并从所述预测样本中筛选出符合预设条件的目标预测样本的步骤,包括:

利用所述第一初始定位模型对所述未标注样本进行预测处理,生成分配有伪标记的预测样本;

获取与各所述预测样本分别对应的预测概率;

获取预设的概率阈值;

从所有预测概率中筛选出大于所述概率阈值的指定预测概率;

从所有所述预测样本中获取与所述指定预测概率对应的指定预测样本;

将所述指定预测样本作为所述目标预测样本。

3.根据权利要求1所述的关键点定位模型的训练方法,其特征在于,所述第一初始定位模型由关键点定位网络、卷积层、全局最大池化层与关键点分类网络构成,所述基于所述扩充样本与所述第一初始定位模型,得到与所述第一初始定位模型对应的总体损失函数的步骤,包括:

将所述扩充样本输入至所述关键点定位网络,通过所述关键点定位网络输出与所述扩充样本对应的多个关键点热图;以及,

通过所述关键点定位网络对所述扩充样本进行特征提取,生成与所述扩充样本对应的第一特征;

将所述第一特征输入至所述卷积层,通过所述卷积层对所述第一特征进行卷积处理,生成与所述第一特征对应的第二特征;

基于逐元素乘法对得到的所述第二特征与每一个所述关键点热图进行计算处理,得到对应的多个第三特征;

将所有所述第三特征输入至所述全局最大池化层,通过所述全局最大池化层输出与所述第三特征对应的矢量;

将所述矢量输入至所述关键点分类网络,确定所述关键点分类网络的交叉熵损失函数;

确定与所述关键点热图对应的变换等差损失函数;

确定与所述矢量对应的变换不变性损失函数;

基于所述交叉熵损失函数、所述变换等差损失函数以及所述变换不变性损失函数,构建与所述第一初始定位模型对应的所述总体损失函数。

4.根据权利要求3所述的关键点定位模型的训练方法,其特征在于,所述基于所述交叉熵损失函数、所述变换等差损失函数以及所述变换不变性损失函数,构建与所述第一初始定位模型对应的所述总体损失函数的步骤,包括:

确定与所述扩充样本对应的监督损失函数;

获取与各损失函数分别对应的损失权重;其中,所述损失函数包括所述交叉熵损失函数、所述变换等差损失函数、所述变换不变性损失函数与所述监督损失函数;

基于所述损失权重对各所述损失函数进行加权求和处理,得到处理后的损失函数;

将所述处理后的损失函数作为总体目标损失函数。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于平安科技(深圳)有限公司,未经平安科技(深圳)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110737218.5/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top