CN111832612B - 动物识别模型的训练方法、装置、设备及存储介质 - Google Patents

Abstract

本申请提出了一种动物识别模型的训练方法、装置、设备及存储介质，涉及图像处理和深度学习技术领域中的人工智能领域，具体实现方案为：获取动物样本图像，其中，动物样本图像之中包括多个标注关键点；将动物样本图像输入动物识别模型以生成多个样本关键点；根据多个样本关键点生成样本簇中心点，并根据多个标注关键点生成标注簇中心点；根据样本簇中心点和标注簇中心点生成第一损失值；以及根据第一损失值对动物识别模型进行训练。本申请能够提高关键点检测的准确度，进而提高基于关键点的应用的可靠性。

Description

动物识别模型的训练方法、装置、设备及存储介质

技术领域

本申请涉及图像处理和深度学习技术领域中的人工智能技术领域，尤其涉及一种动物识别模型的训练方法、装置、设备及存储介质。

背景技术

随着图像处理技术的进步，基于二维图像中关键点的检测进行三维模型的构建等场景应用越发常见，其中，关键点提取的精度将会直接影响场景应用的前景。

相关技术中的关键点检测方法，通过识别图像中的图像特征，根据图像特征确定出对应关键点的位置，然而，这种基于图像特征进行关键点提取的方式，容易被图像中的噪声影响，导致关键点的提取精度不高。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请提出了一种动物识别模型的训练方法、装置、设备及存储介质。

本申请第一方面实施例提出了一种动物识别模型的训练方法，包括：

获取动物样本图像，其中，所述动物样本图像之中包括多个标注关键点；

将所述动物样本图像输入动物识别模型以生成多个样本关键点；

根据所述多个样本关键点生成样本簇中心点，并根据所述多个标注关键点生成标注簇中心点；

根据所述样本簇中心点和所述标注簇中心点生成第一损失值；以及

根据所述第一损失值对所述动物识别模型进行训练。

本申请第二方面实施例提出了一种动物识别模型的训练装置，包括：

获取模块，用于获取动物样本图像，其中，所述动物样本图像之中包括多个标注关键点；

处理模块，用于将所述动物样本图像输入动物识别模型以生成多个样本关键点；

第一生成模块，用于根据所述多个样本关键点生成样本簇中心点；

第二生成模块，用于根据所述多个标注关键点生成标注簇中心点；

第一计算模块，用于根据所述样本簇中心点和所述标注簇中心点生成第一损失值；以及

训练模块，用于根据所述第一损失值对所述动物识别模型进行训练。

本申请第三方面实施例提出了一种电子设备，包括至少一个处理器，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如第一方面实施例所述的动物识别模型的训练方法。

本申请第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如第一方面实施例所述的动物识别模型的训练方法。

本申请第五方面实施例提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如第一方面实施例所述的动物识别模型的训练方法。

上述申请中的一个实施例具有如下优点或有益效果：由于采用了根据多个样本关键点生成样本簇中心点、根据多个标注关键点生成标注簇中心点，并通过样本簇中心点和标注簇中心点计算第一损失值，在监督训练过程中引入了点簇整体分布的特征，体现点分布之间的差异。进而通过第一损失值训练动物识别模型，提高了动物识别模型的关键点检测精度。进一步根据训练的动物识别模型对动物图像进行关键点检测，能够使关键点检测更准确，提高了关键点检测的精度。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1为本申请实施例所提供的一种动物识别模型的训练方法的流程示意图；

图2为本申请实施例所提供的一种簇中心点的示意图；

图3为本申请实施例所提供的另一种动物识别模型的训练方法的流程示意图；

图4为本申请实施例所提供的一种关键点检测的流程示意图；

图5为本申请实施例所提供的一种动物识别模型的训练装置的结构示意图；

图6为本申请实施例所提供的另一种动物识别模型的训练装置的结构示意图；

图7示出了适于用来实现本申请实施例的示例性电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1为本申请实施例所提供的一种动物识别模型的训练方法的流程示意图，如图1所示，该方法包括：

步骤101，获取动物样本图像，其中，动物样本图像之中包括多个标注关键点。

本申请实施例的动物识别模型的训练方法，可以应用于动物脸部图像的关键点检测场景，也可以应用于动物身体图像的关键点检测场景。其中，实现关键点检测的方式可以根据需要进行选择，例如对动物脸部图像进行关键点检测时，可以基于关键点回归的方式实现，再例如对动物身体图像进行关键点检测时，可以基于关键点热图的方式实现，此处不作限制。

下面以动物样本图像为动物脸部图像为例对本申请实施例的动物识别模型的训练方法进行说明。

本实施例中，获取包括多个标注关键点的动物脸样本图像，并将动物脸样本图像作为动物识别模型的训练样本，其中动物脸样本图像可以有多个，每一动物脸样本图像中可包括多个标注关键点。标注关键点例如包括标注关键点的坐标信息。其中，标注关键点为真值，即根据标注关键点能够定位动物脸样本图像中动物脸部的关键区域位置，例如眼睛、嘴巴等。

需要说明的是，动物脸样本图像可以根据需要获取。作为一种示例，对于猫脸识别模型，可以获取猫脸样本图像，其中，猫脸样本图像之中包括多个标注关键点。作为另一种示例，对于人脸识别模型，可以获取人脸样本图像，其中，人脸样本图像之中包括多个标注关键点。

步骤102，将动物样本图像输入动物识别模型以生成多个样本关键点。

本实施例中，动物识别模型输入为图像，输出为图像之中的关键点。根据动物识别模型对动物样本图像进行处理，提取动物样本图像之中的多个关键点，并将动物识别模型识别到的多个关键点作为多个样本关键点。

其中，动物识别模型例如可以基于深度学习方法实现，本实施例中对此不作具体限制。

步骤103，根据多个样本关键点生成样本簇中心点，并根据多个标注关键点生成标注簇中心点。

本实施例中，根据多个样本关键点生成样本簇中心点，并根据多个标注关键点生成标注簇中心点，以根据样本簇中心点和标注簇中心点计算损失，从而能够挖掘关键点分布的整体特征。

下面对生成样本簇中心点的实现方式进行说明。

作为一种可能的实现方式，获取多个样本关键点的位置坐标，对多个样本关键点的位置坐标进行平均以生成样本簇中心点的坐标。

其中，样本簇中心点位于多个样本关键点的平均位置，样本簇中心点能够反映样本关键点簇分布的整体特征。位置坐标包括横坐标和纵坐标，对多个样本关键点的横坐标进行平均，得到样本簇中心点横坐标，以及对多个样本关键点的纵坐标进行平均，得到样本簇中心点纵坐标。

作为一种示例，以xy坐标系为例，将动物脸样本图像输入动物识别模型以生成多个样本关键点之后，即可获取多个样本关键点的位置坐标。对于样本关键点B1、B2、B3，位置坐标分别为B1(bx1，by1)、B2(bx2，by2)、B3(bx3，by3)，对样本关键点的位置坐标进行平均得到样本簇中心点B0(bx0，by0)，其中，bx0＝(bx1+bx2+bx3)/3，by0＝(by1+by2+by3)/3。由此，能够根据多个样本关键点生成样本簇中心点，进一步根据样本簇中心点计算损失值对模型进行训练，在监督训练时引入样本关键点的点簇分布的整体特征，提高动物识别模型准确度。

下面对生成标注簇中心点的实现方式进行说明。

作为一种可能的实现方式，获取多个标注关键点的位置坐标，对多个标注关键点的位置坐标进行平均以生成标注簇中心点的坐标。

其中，标注簇中心点位于多个标注关键点的平均位置，标注簇中心点能够反映标注关键点簇分布的整体特征。位置坐标包括横坐标和纵坐标，对多个标注关键点的横坐标进行平均，得到标注簇中心点横坐标，以及对多个标注关键点的纵坐标进行平均，得到标注簇中心点纵坐标。

作为一种示例，以xy坐标系为例，动物脸样本图像中的标注关键点为A1、A2、A3，位置坐标分别为A1(ax1，ay1)、A2(ax2，ay2)、A3(ax3，ay3)，对标注关键点的位置坐标进行平均得到标注簇中心点A0(ax0，ay0)，其中，ax0＝(ax1+ax2+ax3)/3，ay0＝(ay1+ay2+ay3)/3。由此，能够根据多个标注关键点生成标注簇中心点，进一步根据标注簇中心点计算损失值对模型进行训练，在监督训练时引入标注关键点的点簇分布的整体特征，提高动物识别模型准确度。

举例而言，参照图2，其中，样本关键点B1、B2、B3，分别对应标注关键点A1、A2、A3，生成的样本簇中心点B0和标注簇中心点A0如图中所示。

步骤104，根据样本簇中心点和标注簇中心点生成第一损失值。

本实施例中，通过计算样本簇中心点和标注簇中心点之间的距离损失，以生成第一损失值。由此，实现了根据样本簇中心点和标注簇中心点计算损失值，在监督训练过程中引入了点簇整体分布的特征，通过第一损失值体现分布之间的差异。

可选地，第一损失值通过如下方式确定：

L＝smooth_L1_loss(ax0，bx0)+smooth_L1_loss(ay0，by0)，

其中，L为第一损失值，样本簇中心点的坐标(bx0，by0)，标注簇中心点的坐标(ax0，ay0)。

步骤105，根据第一损失值对动物识别模型进行训练。

本实施例中，根据第一损失值对动物识别模型进行监督训练，以损失来衡量输出值与标注值的差距，并据此差距对动物识别模型进行参数调整，参数调整例如通过反向传播算法调整。通过调整动物识别模型参数，以使动物识别模型输出的关键点，与标注关键点更接近，从而实现对动物识别模型进行训练。

本申请实施例的动物识别模型的训练方法，通过获取动物样本图像，其中，动物样本图像之中包括多个标注关键点。进而，将动物样本图像输入动物识别模型以生成多个样本关键点，根据多个样本关键点生成样本簇中心点，并根据多个标注关键点生成标注簇中心点。进一步，根据样本簇中心点和标注簇中心点生成第一损失值，以及根据第一损失值对动物识别模型进行训练。由此，在训练动物识别模型时，通过样本簇中心点和标注簇中心点计算第一损失值，在监督训练过程中引入了点簇整体分布的特征，通过第一损失值体现分布之间的差异。通过第一损失值训练动物识别模型，使动物识别模型能够学习到关键点之间的约束关系，使得动物识别模型预测的关键点和标注关键点更接近，提高了动物识别模型的关键点检测精度。进一步根据训练的动物识别模型对动物图像进行关键点检测，能够使关键点检测更准确，提高了关键点检测的精度。

基于上述实施例，图3为本申请实施例所提供的另一种动物识别模型的训练方法的流程示意图，如图3所示，在根据样本簇中心点和标注簇中心点生成第一损失值之后，还包括：

步骤301，根据多个样本关键点和多个标注关键点生成第二损失值。

本实施例中，分别计算多个样本关键点和对应的多个标注关键点之间的距离损失，根据距离损失生成第二损失值。可选地，距离损失可以根据关键点之间的位置差得到。

作为一种示例，对于样本关键点A、B，对应的标注关键点分别为a、b，根据A和a的坐标计算距离损失1，根据B和b的坐标计算距离损失2，将距离损失1、距离损失2相加得到第二损失值。

需要说明的是，上述生成第二损失值的实现方式仅为一种示例，本实施例中对此不作具体限制。

步骤302，根据第一损失值和第二损失值对动物识别模型进行训练。

本实施例中，根据第一损失值和第二损失值对动物识别模型进行训练可包括：根据第一损失值和第二损失值确定第三损失值，根据第三损失值对动物识别模型进行训练。

其中，根据第一损失值和第二损失值确定第三损失值的实现方式有多种。

作为一种示例，将第一损失值和第二损失值之和作为第三损失值，根据第三损失值对动物识别模型进行训练。

作为另一种示例，将第一损失值和第二损失值的乘积作为第三损失值，根据第三损失值对动物识别模型进行训练。

需要说明的是，上述根据第一损失值和第二损失值确定第三损失值的实现方式仅为示例，可以根据实际需要选择不同的方式确定第三损失值，此处不作限制。

本实施例中，通过第三损失值对动物识别模型进行监督训练，以损失来衡量输出值与标注值的差距，并据此差距对动物识别模型进行参数调整，参数调整例如通过反向传播算法调整。通过调整动物识别模型参数，以使动物识别模型输出的关键点，与标注关键点更接近，从而实现对动物识别模型进行训练。

本申请实施例的动物识别模型的训练方法，通过多个样本关键点和多个标注关键点生成第二损失值，根据样本簇中心点和标注簇中心点生成第一损失值，以及根据第一损失值和第二损失值对动物识别模型进行训练。由此，在训练动物识别模型时，通过引入关键点的簇中心点计算损失值，充分挖掘关键点的点簇分布的整体特征，使动物识别模型能够学习到关键点的点簇分布的整体特征。并且，通过簇中心点的损失和关键点的损失确定总损失值，根据总损失值实现动物识别模型的监督训练，在监督训练过程中引入了点簇分布的整体特征，以关注点分布之间的差异，提高动物识别模型的准确度。

下面对通过动物识别模型提取动物脸图像之中的关键点进行说明。

图4为本申请实施例所提供的一种关键点检测的流程示意图，如图4所示，该方法包括：

步骤401，获取动物脸图像。

本申请实施例的动物识别模型的训练方法，应用于训练动物识别模型，其中，动物识别模型用于脸部图像的关键点检测。

本实施例中，在通过动物识别模型进行关键点检测时，可以获取动物脸图像，以根据动物脸图像检测关键点。

其中，获取动物脸图像的方式有多种。可选地，通过图像采集设备来获取动物脸图像，例如，用户站在图像采集设备的拍摄区域进行拍摄，获取包括用户脸部的图像，从而得到动物脸图像。可选地，通过相关应用程序从网络抓取动物脸图像。

其中，动物脸图像包括但不限于人脸图像、猫脸图像等。

步骤402，将动物脸图像输入至动物识别模型之中以提取动物脸图像之中的关键点。

本实施例中，预先训练动物识别模型，动物识别模型输入为动物脸图像，输出为动物脸图像之中的关键点。其中，在训练动物识别模型时，根据动物脸样本图像中的标注关键点确定标注关键点的标注簇中心点，根据动物识别模型预测得到的样本关键点确定样本簇中心点，进而根据标注簇中心点和样本簇中心点计算损失值，根据损失值对动物识别模型进行监督训练。进而，将动物脸图像输入至动物识别模型之中以提取动物脸图像之中的多个关键点。

作为一种示例，在获取动物脸图像后，将动物脸图像输入至动物识别模型中进行处理，输出动物脸图像之中关键点的坐标信息，从而实现提取动物脸图像之中的多个关键点。

在本申请的一个实施例中，根据动物脸图像的类别，训练与动物脸图像类别匹配的动物识别模型，进而通过与动物脸图像类别匹配的动物识别模型提取动物脸图像之中的多个关键点。例如，对于猫脸图像关键点检测，通过标注关键点的猫脸样本图像训练目标动物识别模型，在获取猫脸图像后，调用目标动物识别模型提取猫脸图像之中的多个关键点。

本实施例中，通过检测动物脸图像之中的多个关键点，可以根据检测得到的关键点定位动物脸部的关键区域位置，包括眉毛、眼睛、鼻子、嘴巴、脸部轮廓等。

本申请实施例的动物识别模型的训练方法，通过获取动物脸图像，将动物脸图像输入至动物识别模型之中以提取动物脸图像之中的多个关键点。由此，根据训练的动物识别模型对动物脸图像进行关键点检测，能够使关键点检测更准确，提高了关键点检测的精度，进一步将检测的关键点应用于关键区域定位、表情识别等场景，能够提高基于关键点的应用的可靠性。

为了实现上述实施例，本申请还提出一种动物识别模型的训练装置。

图5为本申请实施例所提供的一种动物识别模型的训练装置的结构示意图，如图5所示，该装置包括：获取模块10，处理模块20，第一生成模块30，第二生成模块40，第一计算模块50，训练模块60。

其中，获取模块10，用于获取动物样本图像，其中，动物样本图像之中包括多个标注关键点。

处理模块20，用于将动物样本图像输入动物识别模型以生成多个样本关键点。

第一生成模块30，用于根据多个样本关键点生成样本簇中心点。

第二生成模块40，用于根据多个标注关键点生成标注簇中心点。

第一计算模块50，用于根据样本簇中心点和标注簇中心点生成第一损失值。

训练模块60，用于根据第一损失值对动物识别模型进行训练。

在图5的基础上，图6所示的动物识别模型的训练装置还包括：第二计算模块70。

其中，第二计算模块70，用于根据所述多个样本关键点和所述多个标注关键点生成第二损失值；

训练模块60具体用于：根据第一损失值和第二损失值对动物识别模型进行训练。

可选地，第一生成模块30具体用于：获取所述多个样本关键点的位置坐标；以及对所述多个样本关键点的位置坐标进行平均以生成所述样本簇中心点的坐标。

可选地，第二生成模块40具体用于：获取所述多个标注关键点的位置坐标；以及对所述多个标注关键点的位置坐标进行平均以生成所述标注簇中心点的坐标。

可选地，训练模块60具体用于：将所述第一损失值和所述第二损失值之和作为第三损失值；以及根据所述第三损失值对所述动物识别模型进行训练。

前述实施例对动物识别模型的训练方法的解释说明同样适用于本实施例的动物识别模型的训练装置，此处不再赘述。

本申请实施例的动物识别模型的训练装置，通过获取动物样本图像，其中，动物样本图像之中包括多个标注关键点。进而，将动物样本图像输入动物识别模型以生成多个样本关键点，根据多个样本关键点生成样本簇中心点，并根据多个标注关键点生成标注簇中心点。进一步，根据样本簇中心点和标注簇中心点生成第一损失值，以及根据第一损失值对动物识别模型进行训练。由此，在训练动物识别模型时，通过样本簇中心点和标注簇中心点计算第一损失值，在监督训练过程中引入了点簇整体分布的特征，通过第一损失值体现分布之间的差异。通过第一损失值训练动物识别模型，使得动物识别模型预测的关键点和标注关键点更接近，提高了动物识别模型的关键点检测精度。进一步根据训练的动物识别模型对动物图像进行关键点检测，能够使关键点检测更准确，提高了关键点检测的精度。

为了实现上述实施例，本申请还提出一种计算机程序产品，当计算机程序产品中的指令被处理器执行时实现如前述任一实施例所述的动物识别模型的训练方法。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图7所示，是根据本申请实施例的动物识别模型的训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。

存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的动物识别模型的训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的动物识别模型的训练方法。

存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的动物识别模型的训练方法对应的程序指令/模块(例如，附图5所示的获取模块10，处理模块20，第一生成模块30，第二生成模块40，第一计算模块50，训练模块60)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的动物识别模型的训练方法。

存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

动物识别模型的训练方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。

输入装置703可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (14)

1.一种动物识别模型的训练方法，包括：

获取动物样本图像，其中，所述动物样本图像之中包括多个标注关键点；

将所述动物样本图像输入动物识别模型以生成多个样本关键点；

根据所述多个样本关键点生成样本簇中心点，并根据所述多个标注关键点生成标注簇中心点；

根据所述样本簇中心点和所述标注簇中心点生成第一损失值；以及

根据所述第一损失值对所述动物识别模型进行训练。

2.如权利要求1所述的动物识别模型的训练方法，其中，在将所述动物样本图像输入动物识别模型以生成多个样本关键点之后，还包括：

根据所述多个样本关键点和所述多个标注关键点生成第二损失值；

所述根据所述第一损失值对所述动物识别模型进行训练，包括：

根据所述第一损失值和所述第二损失值对所述动物识别模型进行训练。

3.如权利要求1所述的动物识别模型的训练方法，其中，所述根据所述多个样本关键点生成样本簇中心点，包括：

获取所述多个样本关键点的位置坐标；以及

对所述多个样本关键点的位置坐标进行平均以生成所述样本簇中心点的坐标。

4.如权利要求1所述的动物识别模型的训练方法，其中，所述根据所述多个标注关键点生成标注簇中心点，包括：

获取所述多个标注关键点的位置坐标；以及

对所述多个标注关键点的位置坐标进行平均以生成所述标注簇中心点的坐标。

5.如权利要求2所述的动物识别模型的训练方法，其中，所述根据所述第一损失值和所述第二损失值对所述动物识别模型进行训练，包括：

将所述第一损失值和所述第二损失值之和作为第三损失值；以及

根据所述第三损失值对所述动物识别模型进行训练。

6.如权利要求1-5任一项所述的动物识别模型的训练方法，其中，所述动物样本图像包括动物脸部图像。

7.一种动物识别模型的训练装置，包括：

获取模块，用于获取动物样本图像，其中，所述动物样本图像之中包括多个标注关键点；

处理模块，用于将所述动物样本图像输入动物识别模型以生成多个样本关键点；

第一生成模块，用于根据所述多个样本关键点生成样本簇中心点；

第二生成模块，用于根据所述多个标注关键点生成标注簇中心点；

第一计算模块，用于根据所述样本簇中心点和所述标注簇中心点生成第一损失值；以及

训练模块，用于根据所述第一损失值对所述动物识别模型进行训练。

8.如权利要求7所述的动物识别模型的训练装置，还包括：

第二计算模块，用于根据所述多个样本关键点和所述多个标注关键点生成第二损失值；

所述训练模块具体用于：

根据所述第一损失值和所述第二损失值对所述动物识别模型进行训练。

9.如权利要求7所述的动物识别模型的训练装置，其中，所述第一生成模块具体用于：

获取所述多个样本关键点的位置坐标；以及

对所述多个样本关键点的位置坐标进行平均以生成所述样本簇中心点的坐标。

10.如权利要求7所述的动物识别模型的训练装置，其中，所述第二生成模块具体用于：

获取所述多个标注关键点的位置坐标；以及

对所述多个标注关键点的位置坐标进行平均以生成所述标注簇中心点的坐标。

11.如权利要求8所述的动物识别模型的训练装置，其中，所述训练模块具体用于：

将所述第一损失值和所述第二损失值之和作为第三损失值；以及

根据所述第三损失值对所述动物识别模型进行训练。

12.如权利要求7-11任一项所述的动物识别模型的训练装置，其中，所述动物样本图像包括动物脸部图像。

13.一种电子设备，包括：

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权利要求1-6中任一项所述的动物识别模型的训练方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的动物识别模型的训练方法。

Images