人脸解析模型训练方法、电子设备及存储介质技术

本发明专利技术实施例涉及数据处理领域，公开了一种人脸解析模型训练方法、电子设备及存储介质。人脸解析模型训练方法包括：获取图片训练集，其中，所述图片训练集包含无标注人脸图片；对所述无标注人脸图片进行数据增强，获取增强图片训练集，其中，所述增强图片训练集包含所述无标注人脸图片、增强人脸图片和所述增强人脸图片对应的变换参数；基于预定义的一致性损失函数，利用所述增强图片训练集中的所述无标注人脸图片、所述增强人脸图片和所述变换参数对预设的预训练模型进行训练，获取人脸解析模型。使得本发明专利技术可以降低人脸解析模型的训练成本、提高人脸解析模型的泛化效果。

【技术实现步骤摘要】
人脸解析模型训练方法、电子设备及存储介质
本专利技术实施例涉及数据处理领域，特别涉及一种人脸解析模型训练方法、电子设备及存储介质。
技术介绍
随着近几年的深度学习技术和硬件技术的快速发展，人脸解析技术也开始使用深度学习得到模型，目前，基于深度学习的人脸解析方法是从大量带标注的训练图片中学习一个影像-影像人脸解析模型。然而，现有的人脸解析模型训练方法依赖于大量标注图片，由于人工标注的成本较高，使得人脸解析模型训练的成本高；且目前所公开的带标注图片集主要基于欧美人脸数据，和实际人脸图片相比，人种和图片风格上存在较大差异，导致所训练的人脸解析模型的泛化效果差。
技术实现思路
本专利技术实施方式的目的在于提供一种人脸解析模型训练方法、电子设备及存储介质，能够通过无标注人脸图片、增强人脸图片和变换参数训练人脸解析模型，达到降低人脸解析模型的训练成本和提高人脸解析模型的泛化效果的目的。为解决上述技术问题，本专利技术的实施方式提供了一种人脸解析模型训练方法，包含：获取图片训练集，其中，所述图片训练集包含无标注人脸图片；对所述无标注人脸图片进行数据增强，获取增强图片训练集，其中，所述增强图片训练集包含所述无标注人脸图片、增强人脸图片和所述增强人脸图片对应的变换参数；基于预定义的一致性损失函数，利用所述增强图片训练集中的所述无标注人脸图片、所述增强人脸图片和所述变换参数对预设的预训练模型进行训练，获取人脸解析模型。本专利技术的实施方式还提供了一种电子设备，包含：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行以上所述的人脸解析模型训练方法。本专利技术的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现以上所述的人脸解析模型训练方法。本专利技术实施方式相对于现有技术而言，在人脸解析模型训练的过程中，通过对无标注图片进行处理获取增强人脸图片和变换参数，再利用无标注图片、增强人脸图片和变换参数来训练人脸解析网络，从而达到降低人脸解析模型的训练成本和提高人脸解析模型的泛化效果的目的，解决了现有技术中主要使用基于欧美人脸数据的标注图片对人脸解析模型进行训练所导致泛化效果差和对新的训练数据进行标注成本大的技术问题。另外，本专利技术实施方式提供的人脸解析模型训练方法，所述对所述无标注人脸图片进行数据增强之前还包括：将所述无标注人脸图片剪裁至预设尺寸。本专利技术提供的技术方案可以将无标注人脸图片剪裁至预设尺寸，避免由于无标注人脸图片无关区域太大而导致的数据计算量大的问题，使得本专利技术可以数据处理负载，提高人脸解析效率。另外，本专利技术实施方式提供的人脸解析模型训练方法，所述图片训练集包含所述无标注人脸图片的人脸关键点；所述人脸解析模型训练方法还包括：基于预定义的关键点损失函数，利用所述无标注人脸图片训练所述人脸解析模型，其中，所述关键点损失函数通过所述人脸关键点和所述无标注人脸图片的人脸关键点预测结果获取。本专利技术提供的技术方案可以训练人脸解析模型，使其具备预测人脸图片关键点的功能。使得本专利技术可以提高人脸解析模型的实用性。另外，本专利技术实施方式提供的人脸解析模型训练方法，所述人脸解析模型训练方法还包括：获取测试图片集，其中，所述测试图片集包含测试图片；利用训练后的人脸解析模型对所述测试图片集进行处理，获取所述测试图片集的人脸预测结果和所述测试图片集的人脸关键点预测结果；根据所述人脸预测结果和所述人脸关键点预测结果获取所述训练后的人脸解析模型的解析性能；若所述解析性能满足预设条件，则停止对所述人脸解析模型的训练；若所述解析性能不满足预设条件，则对所述人脸解析模型进行训练。本专利技术提供的技术方案可以通过所获取的解析性能自主判断是否停止对人脸解析模型的训练，使得本专利技术更加智能化。另外，本专利技术实施方式提供的人脸解析模型训练方法，所述对所述无标注人脸图片进行数据增强，获取增强图片训练集，之前还包括：获取带标注人脸图片；基于预定义的分类损失函数，利用所述带标注人脸图片对初始模型进行训练，获取所述预训练模型，其中，所述初始模型为利用分治思想构造的神经网络模型，所述分类损失函数通过自适应权重和人脸类型损失获取。本专利技术提供的技术方案可以在对人脸解析模型训练之前利用少量带标注人脸图片对人脸解析模型进行预训练，使得本专利技术可以提高利用无标注人脸图片和增强人脸图片进行训练的分类准确性，降低人脸解析模型的训练时长。另外，本专利技术实施方式提供的人脸解析模型训练方法，所述自适应权重通过所述预训练模型的各分类结果的分布概率获取；所述人脸类型损失通过所述带标注人脸图片的标注结果和所述带标注人脸图片的解析结果获取。本专利技术提供的技术方案在进行预训练时所使用的自适应权重函数根据各张图片的分类结果获取，避免由于皮肤区域的各个分类类型面积大小不一，统一权重情况下、面积较小的细分类型区域往往不太容易被优化的问题。使得本专利技术可以提高对人脸区域类型的解析效果。附图说明一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。图1是根据本专利技术实施方式的人脸解析模型训练方法的流程图一；图2是根据本专利技术实施方式的人脸解析模型训练方法的流程图二；图3是根据本专利技术实施方式的人脸解析模型训练方法的流程图三；图4是根据本专利技术实施方式的人脸解析模型训练方法的流程图四；图5是根据本专利技术实施方式的人脸解析模型训练方法的流程图五；图6是根据本专利技术实施方式的电子设备的结构图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本专利技术各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本专利技术的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。本专利技术实施方式涉及一种人脸解析模型训练方法，如图1所示，具体包含：步骤101，获取图片训练集，其中，图片训练集包含无标注人脸图片。具体的说，所获取的图片训练集中包含有多张无标注人脸图片，无标注人脸图片是指人脸图片上不携带像素标注；除此之外，图片训练集中还可以包含每一张无标注人脸图片的人脸关键点，人脸关键点可以以标注的形式出现在每一张无标注人脸图片上，该关键点可以是人脸中心点在图片中的位置坐标，也可以是某一指定人脸部位在图片中的位置坐标，可以根据用户需求进行设定；关键点是在各无标注人脸图片组成图片训练集之前就已经检测好的，具体的检测方法不受限制，任意一本文档来自技高网...

【技术保护点】
1.一种人脸解析模型训练方法，其特征在于，包括：/n获取图片训练集，其中，所述图片训练集包含无标注人脸图片；/n对所述无标注人脸图片进行数据增强，获取增强图片训练集，其中，所述增强图片训练集包含所述无标注人脸图片、增强人脸图片和所述增强人脸图片对应的变换参数；/n基于预定义的一致性损失函数，利用所述增强图片训练集中的所述无标注人脸图片、所述增强人脸图片和所述变换参数对预设的预训练模型进行训练，获取人脸解析模型。/n

【技术特征摘要】
1.一种人脸解析模型训练方法，其特征在于，包括：
获取图片训练集，其中，所述图片训练集包含无标注人脸图片；
对所述无标注人脸图片进行数据增强，获取增强图片训练集，其中，所述增强图片训练集包含所述无标注人脸图片、增强人脸图片和所述增强人脸图片对应的变换参数；
基于预定义的一致性损失函数，利用所述增强图片训练集中的所述无标注人脸图片、所述增强人脸图片和所述变换参数对预设的预训练模型进行训练，获取人脸解析模型。


2.根据权利要求1所述的人脸解析模型训练方法，其特征在于，所述一致性损失函数通过所述无标注人脸图片的增强人脸预测结果和所述增强人脸图片的人脸预测结果获取，其中，所述增强人脸预测结果通过对所述无标注人脸图片的人脸预测结果根据所述变换参数进行变换获取。


3.根据权利要求1-2任一项所述的人脸解析模型训练方法，其特征在于，所述图片训练集包含所述无标注人脸图片的人脸关键点；所述人脸解析模型训练方法还包括：
基于预定义的关键点损失函数，利用所述无标注人脸图片训练所述人脸解析模型，其中，所述关键点损失函数通过所述人脸关键点和所述无标注人脸图片的人脸关键点预测结果获取。


4.根据权利要求3所述的人脸解析模型训练方法，其特征在于，所述人脸解析模型训练方法还包括：
获取测试图片集，其中，所述测试图片集包含测试图片；
利用训练后的人脸解析模型对所述测试图片集进行处理，获取所述测试图片集的人脸预测结果和所述测试图片集的人脸关键点预测结果；
根据所述人脸预测结果和所述人脸关键点预测结果获取所述训练后的人脸解析模型的解析性能；
若所述解析性能满足预设条件，则停止对所述人脸解析模型的训练；
若所述解析性能不满足预设条件，则对所述人脸解析模...

【专利技术属性】
技术研发人员：保长存，陈智超，朱海涛，江坤，户磊，
申请(专利权)人：北京的卢深视科技有限公司，合肥的卢深视科技有限公司，
类型：发明
国别省市：北京;11