[发明专利]一种模型训练方法、装置、电子设备和存储介质

说明书

本申请提供了一种模型训练方法、装置、电子设备和存储介质，所述方法包括：获取目标模型，其中，所述目标模型包括一个基础网络部分和至少两个并行的全连接层，每个全连接层对应的点位特征不同，不同全连接层对应的点位特征属于同一对象；将输入图像输入所述目标模型，其中，所述输入图像携带有任务标识；根据所述任务标识确定所述输入图像已标注的点位特征；基于每个输入图像已标注的点位特征，联合训练所述目标模型中的基础网络部分和所述点位特征对应的全连接层，直至所述目标模型完全收敛。本申请提高模型训练效率。

技术领域

本申请涉及神经网络技术领域，尤其涉及一种模型训练方法、装置、电子设备和存储介质。

背景技术

随着技术的发展，关键点检测技术已经经历了飞速的发展，技术手段也相对完善，无论是应用于移动端的快速检测技术还是应用于云端的高精度检测技术均得到了飞速的发展。

针对同一个对象，目前可以设置不同的关键点检测，例如，对于人脸关键点检测，一般是106点位数据，还可以设置发际线点位的检测。如果将不同的关键点检测进行结合，可以提高检测的精准度，但这样就需要对已有数据进行重新标注，以将关键点标注在同一图像上，这会造成模型训练效率低。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种模型训练方法、装置、电子设备和存储介质。

第一方面，本申请提供了一种模型训练方法，所述方法包括：

获取目标模型，其中，所述目标模型包括一个基础网络部分和至少两个并行的全连接层，每个全连接层对应的点位特征不同，不同全连接层对应的点位特征属于同一对象；

将输入图像输入所述目标模型，其中，所述输入图像携带有任务标识；

根据所述任务标识确定所述输入图像已标注的点位特征；

基于每个输入图像已标注的点位特征，联合训练所述目标模型中的基础网络部分和所述点位特征对应的全连接层，直至所述目标模型完全收敛。

可选地，所述输入图像包括目标图像和设定图像，基于每个输入图像已标注的点位特征，联合训练所述目标模型中的基础网络部分和所述点位特征对应的全连接层包括：

通过所述目标图像中的目标点位特征，调整所述基础网络部分的内部参数和目标全连接层的内部参数，其中，所述目标全连接层采用目标点位特征进行训练；

通过所述设定图像中的设定点位特征，调整所述基础网络部分的内部参数和设定全连接层的内部参数，其中，所述设定全连接层采用设定点位特征进行训练。

可选地，通过所述目标图像中的目标点位特征，调整所述基础网络部分的内部参数和所述目标全连接层的内部参数包括：

通过所述目标全连接层输出所述目标图像中的点位识别结果；

在所述点位识别结果与所述目标点位特征不相同时，在反向传播过程中调整所述基础网络部分的内部参数和所述目标全连接层的内部参数。

可选地，通过所述设定图像中的设定点位特征，调整所述基础网络部分的内部参数和设定全连接层的内部参数包括：

通过所述设定全连接层输出所述设定图像中的点位识别结果；

在所述点位识别结果与所述设定点位特征不相同时，在反向传播过程中调整所述基础网络部分的内部参数和设定全连接层的内部参数。

可选地，直至所述目标模型完全收敛之后，所述方法还包括：

固定基础网络部分的内部参数；

通过所述目标点位特征训练目标全连接层，直至目标全连接层完全收敛；