[发明专利]关键点定位模型的训练方法、装置和计算机设备

说明书

本申请涉及人工智能技术领域，提供一种关键点定位模型的训练方法、装置、计算机设备和存储介质，方法包括：获取预设的样本数据集；利用已标注样本训练神经网络模型得到第一初始定位模型；利用第一初始定位模型对未标注样本进行预测生成目标预测样本；使用目标预测样本对已标注样本进行扩充得到扩充样本；基于扩充样本与第一初始定位模型，得到与第一初始定位模型对应的总体损失函数；基于总体损失函数对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并用作关键点定位模型。本申请能智能快速地生成具有动物关键点定位功能的关键点定位模型。本申请还可以应用于区块链领域，上述关键点定位模型可存储于区块链上。

技术领域

本申请涉及人工智能技术领域，具体涉及一种关键点定位模型的训练方法、装置和计算机设备。

背景技术

动物关键点检测是计算机视觉中的热门研究课题之一，也是基于视觉的模式识别应用的一个重要方向。它需要将图像数据中动物的所有身体特征点，如脚踝、手腕等关键点检测或定位出来。

对于图像数据中的关键点定位，现有通常是基于大量的有标注的训练数据来训练生成相应的关键点定位模型，再使用生成的关键点定位模型来对输入图像进行关键点预测。然而，对于动物而言，由于动物的物种种类较多，且动物的身体特征点的数量也较多，故对于动物图像的训练数据的标注需要耗费较长的时间以及耗费很大的人力。如果采用现有的训练生成关键点定位模型的方法来生成与用于进行动物关键点定位的模型，则会导致该模型的训练数据的标注成本很高，且该模型的生成效率会比较慢。

发明内容

本申请的主要目的为提供一种关键点定位模型的训练方法、装置、计算机设备和存储介质，旨在解决如果采用现有的训练生成关键点定位模型的方法来生成与用于进行动物关键点定位的模型，则会导致该模型的训练数据的标注成本很高，且该模型的生成效率会比较慢的技术问题。

本申请提出一种关键点定位模型的训练方法，所述方法包括步骤：

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。

可选地，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。