CN112200169B - 用于训练模型的方法、装置、设备以及存储介质 - Google Patents
用于训练模型的方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112200169B CN112200169B CN202011413787.6A CN202011413787A CN112200169B CN 112200169 B CN112200169 B CN 112200169B CN 202011413787 A CN202011413787 A CN 202011413787A CN 112200169 B CN112200169 B CN 112200169B
- Authority
- CN
- China
- Prior art keywords
- model
- feature
- head
- training
- feature information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了用于训练模型的方法和装置,具体实现方案为:获取训练样本集,其中,训练样本集中的训练样本包括头部图像、头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图;利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为期望输出数据,训练得到特征提取模型,其中,特征提取模型基于卷积神经网络而构建,卷积神经网络模型的参数包括:尺度参数和其他卷积核参数。该方案通过将尺度空间理论与自动尺度选择的理论引入卷积神经网络中,使卷积神经网络具有尺度的概念,从而提升特征提取模型的表征能力。
Description
技术领域
本申请的实施例涉及计算机技术领域,具体涉及人工智能技术领域,尤其涉及用于训练模型的方法和装置。
背景技术
人脸识别是利用特征模型提取人脸特征,通过计算特征之间的相似性分数来判断人脸的身份信息,现有方法大多使用卷积神经网络作为特征模型。在真实世界中,尺度结构是物体的固有属性,对目标进行观测需要在一定的尺度范围内,不同的目标具有不同的最佳观测尺度。在人脸识别中,人脸的五官部分会比人脸的轮廓或者脸颊有着更加精细的尺度结构。而目前基于卷积神经网络的人脸识别方法通常直接对整张脸使用相同的尺度进行分析和识别,或者使用多尺度的图像进行分析,这些方法都没有考虑到不同人脸部位的最佳观测尺度。同时,基于卷积神经网络注意力机制在各种视觉任务中已广泛应用,但现有的注意力机制方法没有使用物体尺度结构的概念。
尺度空间理论与自动尺度选择理论是指在图像处理的模型中引入尺度参数,连续地变化尺度参数后可以得到图像在多尺度下的尺度空间序列,这时原始数据的维度会增加一个维度,即尺度空间的维度。其中小尺度下能够分析目标的细节信息,大尺度下能够分析目标的轮廓和形状,尺度越大表示图像的模糊程度越大。自动尺度选择的方法是在没有其它信息的前提下,使得规范化微分特征检测算子沿尺度方向取极大值的尺度,反映了特征的结构尺寸。因为图像中的结构目标呈现出不同的尺度,无法用单一尺度去分析所有目标的特征信息,因此需要使用多尺度表达进行分析。
发明内容
本申请提供了一种用于训练模型的方法、装置、设备以及存储介质和一种用于生成信息的方法、装置、设备以及存储介质。
根据本申请的第一方面,提供了一种用于训练模型的方法,该方法包括:获取训练样本集,其中,训练样本集中的训练样本包括头部图像、头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图;利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为输出数据,训练得到特征提取模型,其中,特征提取模型基于卷积神经网络而构建,卷积神经网络模型的参数包括:尺度参数和其他卷积核参数,尺度参数为利用尺度空间理论而设定的头部对象的尺度结构,其他卷积核参数为卷积神经网络中除尺度参数以外卷积核的其他参数。
在一些实施例中,特征提取模型包括第一子模型和第二子模型,第一子模型的模型参数为尺度参数,第二子模型的模型参数为卷积核参数;利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为输出数据,训练得到特征提取模型,包括:利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为第一子模型的输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为第一子模型的输出数据,调整尺度参数,得到训练完成的第一子模型;利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为第二子模型的输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为第二子模型的输出数据,调整卷积核参数,得到训练完成的第二子模型;基于训练完成的第一子模型和训练完成的第二子模型,确定特征提取模型。
在一些实施例中,卷积神经网络的卷积核利用高斯核函数、卷积核函数和规范化因子而搭建,高斯核函数利用尺度参数而构建,规范化因子以尺度参数的幂来表示。
在一些实施例中,卷积神经网络的卷积层以获得作为输出数据的特征图的范数的最大值为目标。
在一些实施例中,头部图像通过对头部图像中的头部对象进行检测和矫正而得到。
根据本申请的第二方面,提供了一种用于生成信息的方法,方法包括:获取目标头部图像;将目标头部图像输入至预先训练的特征提取模型,生成目标头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图,其中,特征提取模型通过如上述用于训练模型的方法中任一实施例的方法训练得到。
在一些实施例中,特征提取模型包括第一特征提取子模型和第二特征提取子模型,第一特征提取子模型用于表征利用机器学习算法对尺度参数进行训练,第二特征提取子模型用于表征利用机器学习算法对其他卷积核参数进行训练;将目标头部图像输入至预先训练的特征提取模型,生成目标头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图,包括:将目标头部图像输入至预先训练的第一特征提取子模型,生成目标头部图像中的头部对象的第一特征信息和与头部对象的特征信息对应的第一特征图;将目标头部图像输入至预先训练的第二特征提取子模型,生成目标头部图像中的头部对象的第二特征信息和与头部对象的特征信息对应的第二特征图;基于第一特征信息和第二特征信息,确定与第一特征信息和第二特征信息对应的特征信息,并基于第一特征图和第二特征图,确定与第一特征图和第二特征图相对应的特征图。
根据本申请的第三方面,提供了一种用于训练模型的装置,装置包括:第一获取单元,被配置成获取训练样本集,其中,训练样本集中的训练样本包括头部图像、头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图;训练单元,被配置成利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为输出数据,训练得到特征提取模型,其中,特征提取模型基于卷积神经网络而构建,卷积神经网络模型的参数包括:尺度参数和其他卷积核参数,尺度参数为利用尺度空间理论而设定的头部对象的尺度结构,其他卷积核参数为卷积神经网络中除尺度参数以外卷积核的其他参数。
在一些实施例中,训练单元中的特征提取模型包括第一子模型和第二子模型,第一子模型的模型参数为尺度参数,第二子模型的模型参数为卷积核参数;训练单元,包括:第一训练模块,被配置成利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为第一子模型的输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为第一子模型的输出数据,调整尺度参数,得到训练完成的第一子模型;第二训练模块,被配置成利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为第二子模型的输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为第二子模型的输出数据,调整卷积核参数,得到训练完成的第二子模型;第一确定模块,被配置成基于训练完成的第一子模型和训练完成的第二子模型,确定特征提取模型。
在一些实施例中,训练单元中的卷积神经网络的卷积核利用高斯核函数、卷积核函数和规范化因子而搭建,高斯核函数利用尺度参数而构建,规范化因子以尺度参数的幂来表示。
在一些实施例中,训练单元中的卷积神经网络的卷积层以获得作为输出数据的特征图的范数的最大值为目标。
在一些实施例中,第一获取单元中的头部图像通过对头部图像中的头部对象进行检测和矫正而得到。
根据本申请的第四方面,提供了一种用于生成信息的装置,装置包括:第二获取单元,被配置成获取目标头部图像;生成单元,被配置成将目标头部图像输入至预先训练的特征提取模型,生成目标头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图,其中,特征提取模型通过如上述用于训练模型的方法中任一实施例的方法训练得到。
在一些实施例中,生成单元中的特征提取模型包括第一特征提取子模型和第二特征提取子模型,第一特征提取子模型用于表征利用机器学习算法对尺度参数进行训练,第二特征提取子模型用于表征利用机器学习算法对其他卷积核参数进行训练;生成单元,包括:第一生成模块,被配置成将目标头部图像输入至预先训练的第一特征提取子模型,生成目标头部图像中的头部对象的第一特征信息和与头部对象的特征信息对应的第一特征图;第二生成模块,被配置成将目标头部图像输入至预先训练的第二特征提取子模型,生成目标头部图像中的头部对象的第二特征信息和与头部对象的特征信息对应的第二特征图;第二确定模块,被配置成基于第一特征信息和第二特征信息,确定与第一特征信息和第二特征信息对应的特征信息,并基于第一特征图和第二特征图,确定与第一特征图和第二特征图相对应的特征图。
根据本申请的第五方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面或第二方面中任一实现方式描述的方法。
根据本申请的第六方面,本申请提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,计算机指令用于使计算机执行如第一方面或第二方面中任一实现方式描述的方法。
根据本申请的技术采用获取训练样本集,其中,训练样本集中的训练样本包括头部图像、头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图,利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为输出数据,训练得到特征提取模型,其中,特征提取模型基于卷积神经网络而构建,卷积神经网络模型的参数包括:尺度参数和其他卷积核参数,尺度参数为利用尺度空间理论而设定的头部对象的尺度结构,其他卷积核参数为卷积神经网络中除尺度参数以外卷积核的其他参数,解决了现有的人脸识别技术中基于卷积神经网络的人脸识别算法忽视了尺度结构在视觉任务的重要性,不能对人脸的不同部位使用最佳的尺度结构进行分析与特征提取的问题。通过将尺度空间理论与自动尺度选择的理论引入卷积神经网络中,使卷积神经网络具有尺度的概念,并能自适应地在训练过程中学习到多尺度空间的人脸表征,让人脸不同的部位都能在其最佳的尺度下进行处理分析,从而提升特征提取模型的表征能力。
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。
图1是根据本申请的用于训练模型的方法的第一实施例的示意图;
图2是可以实现本申请实施例的用于训练模型的方法的场景图;
图3是根据本申请的用于训练模型的方法的第二实施例的示意图;
图4是根据本申请的用于生成信息的方法的第一实施例的示意图;
图5是根据本申请的用于训练模型的装置的一个实施例的结构示意图;
图6是根据本申请的用于生成信息的装置的一个实施例的结构示意图;
图7是用来实现本申请实施例的电子设备的框图。
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。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本申请的用于训练模型的方法的第一实施例。该用于训练模型的方法,包括以下步骤:
步骤101,获取训练样本集。
在本实施例中,执行主体(例如服务器或终端设备)可以通过有线连接或无线连接的方式从其他电子设备或者本地获取训练样本集。训练样本集中的训练样本包括头部图像、头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图。
在这里,上述头部对象可以是头部图像中所包含的头部的影像。头部图像可以为人脸图像,头部对象的特征信息可以用于指示以下至少一项在人脸图像中的位置:眼睛对象、鼻子对象、眉毛对象、嘴巴对象、脸部轮廓点等等。眼睛对象可以是人脸图像中所包含的眼睛的影像。鼻子对象可以是人脸图像中所包含的鼻子的影像。眉毛对象可以是人脸图像中所包含的眉毛的影像。嘴巴对象可以是人脸图像中所包含的嘴巴的影像。上述特征信息的数量可以是一个,也可以是多个。对此,技术人员可以自行设定,本申请实施例不作限定。
需要说明的是,上述无线连接方式可以包括但不限于3G、4G、5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband) 连接、以及其他现在已知或将来开发的无线连接方式。
步骤102,利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为输出数据,训练得到特征提取模型。
在本实施例中,执行主体可以利用机器学习算法,将步骤101中得到的头部图像作为输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为输出数据,训练得到特征提取模型。其中,特征提取模型基于卷积神经网络而构建,卷积神经网络模型的参数包括:尺度参数和其他卷积核参数,即将尺度参数和其他卷积核参数作为神经网络卷积核的参数,尺度参数为利用尺度空间理论而设定的头部对象的尺度结构,其他卷积核参数为卷积神经网络中除尺度参数以外卷积核的其他参数,其他卷积核参数可以包括权重、步长、偏置等。
需要说明的是,上述卷积神经网络的结构和模型的训练过程是目前广泛研究和应用的公知技术,在此不再赘述。
继续参见图2,本实施例的用于训练模型的方法200运行于服务器201 中。服务器201首先获取训练样本集202,其中,训练样本集中的训练样本包括头部图像、头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图,然后服务器201利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为输出数据,训练得到特征提取模型203,其中,特征提取模型基于卷积神经网络而构建,卷积神经网络模型的参数包括:尺度参数和其他卷积核参数,尺度参数为利用尺度空间理论而设定的头部对象的尺度结构,其他卷积核参数为卷积神经网络中除尺度参数以外卷积核的其他参数。
本申请的上述实施例提供的用于训练模型的方法采用获取训练样本集,其中,训练样本集中的训练样本包括头部图像、头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图,利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为输出数据,训练得到特征提取模型,其中,特征提取模型基于卷积神经网络而构建,卷积神经网络模型的参数包括:尺度参数和其他卷积核参数,尺度参数为利用尺度空间理论而设定的头部对象的尺度结构,其他卷积核参数为卷积神经网络中除尺度参数以外卷积核的其他参数,解决了现有的人脸识别技术中基于卷积神经网络的人脸识别算法忽视了尺度结构在视觉任务的重要性,不能对人脸的不同部位使用最佳的尺度结构进行分析与特征提取的问题。通过将尺度空间理论与自动尺度选择的理论引入卷积神经网络中,使卷积神经网络具有尺度的概念,并能自适应地在训练过程中学习到多尺度空间的人脸表征,让人脸不同的部位都能在其最佳的尺度下进行处理分析,从而提升特征提取模型的表征能力。
进一步参考图3,其示出了用于训练模型的方法的第二实施例。该方法的流程包括以下步骤:
步骤301,获取训练样本集。
在本实施例中,执行主体可以通过有线连接或无线连接的方式从其他电子设备或者本地获取训练样本集。训练样本集中的训练样本包括头部图像、头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图。
在本实施例的一些可选的实现方式中,头部图像通过对头部图像中的头部对象进行检测和矫正而得到。提高了训练样本的精度,使模型的训练更加精准而有效。
步骤302,利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为输出数据,训练得到特征提取模型。
在本实施例中,执行主体可以利用机器学习算法,将步骤301中得到的头部图像作为输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为输出数据,训练得到特征提取模型。其中,特征提取模型基于卷积神经网络而构建,卷积神经网络的卷积核利用高斯核函数、卷积核函数和规范化因子而搭建,高斯核函数利用尺度参数而构建,规范化因子以尺度参数的幂来表示。尺度参数为利用尺度空间理论而设定的头部对象的尺度结构,其他卷积核参数为卷积神经网络中除尺度参数以外卷积核的其他参数。卷积核的尺寸与高斯核的尺寸相一致。尺度参数和其他卷积核参数分别通过训练得到。
例如,卷积神经网络的卷积核为学习的高斯核与卷积核做卷积并乘以规范化因子,规范化因子为尺度参数t与γ的幂,卷积核定义表达方式为 Kt=K×Gt·tγ,其中,t为尺度参数,γ为规范化的幂,K为原始的卷积核, Gt是利用尺度参数t计算得到的高斯核。高斯核的计算公式可以为 Gt(x,y)=1/2πt·e^(-((x-xcenter)^2+(y-ycenter)^2)/2t),其中,t为尺度参数, x和y分别表示高斯核上的水平坐标和竖直坐标,xcenter和ycenter表示中心坐标。为了让尺度自适应的卷积核与原始卷积核尺寸大小保持一致,高斯核的尺寸大小与卷积核尺寸关系式为kernel size(Gt)=kernel size(K)+2, kernel size表示高斯核或者卷积核的尺寸大小。在自动尺度选择理论中,尺度参数的幂tγ能够让特征微分算子的范数具有尺度不变性。γ可以设置为1。
在本实施例的一些可选的实现方式中,特征提取模型可以包括第一子模型和第二子模型,第一子模型的模型参数为尺度参数,第二子模型的模型参数为卷积核参数;利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为输出数据,训练得到特征提取模型,包括:利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为第一子模型的输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为第一子模型的输出数据,调整尺度参数,得到训练完成的第一子模型;利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为第二子模型的输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为第二子模型的输出数据,调整卷积核参数,得到训练完成的第二子模型;基于训练完成的第一子模型和训练完成的第二子模型,确定特征提取模型。解决了实践中发现的将尺度参数引入卷积核后,在训练阶段,大部分卷积核的尺度参数会趋于0,会出现高斯核数值退化到中心为1,四周为0的情况,整个卷积核退化到原始卷积的状态,尺度参数的作用无法充分被利用的问题。通过在每一层卷积上加上了捷径连接,使得网络在训练阶段会自动学习选择前向传播的分支,使尺度参数起到真实的作用,使卷积神经网络具有尺度的概念,同时提升了模型训练的精准度。
在本实施例的一些可选的实现方式中,卷积神经网络的卷积层以获得作为输出数据的特征图的范数的最大值为目标。范数可以为欧几里得范数 (即L2范数)。自动尺度选择理论的基本思想是在没有其它信息的前提下,求出图像在尺度空间中的最大响应,所得到的尺度就是最佳的检测尺度,能够反映物体的固有尺度。通过最大化每一层卷积层输出特征图的 L2范数,使得输入特征图在尺度空间中得到其最大响应,从而约束每一层卷积层的尺度参数,最终让每一个卷积核都有其合适的特征检测尺度,提升模型训练效率。
从图3中可以看出,与图1对应的实施例相比,本实施例中的用于训练模型的方法采用卷积神经网络的卷积核利用高斯核函数、卷积核函数和规范化因子而搭建,高斯核函数利用尺度参数而构建,规范化因子以尺度参数的幂来表示。尺度参数的幂能够让特征微分算子的范数具有尺度不变性。通过将高斯尺度空间理论与自动尺度选择的理论引入卷积神经网络中,使卷积神经网络具有尺度的概念,并能自适应地在训练过程中学习到多尺度空间的人脸表征,让人脸不同的部位都能在其最佳的尺度下进行处理分析,从而提升特征模型的表征能力。
进一步参考图4,其出了根据本申请的用于生成信息的方法的第一实施例。该用于生成信息的方法,包括以下步骤:
步骤401,获取目标头部图像。
在本实施例中,执行主体(例如服务器或终端设备)可以通过有线连接或无线连接的方式从其他电子设备或者本地获取目标头部图像。
步骤402,将目标头部图像输入至预先训练的特征提取模型,生成目标头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图。
在本实施例中,执行主体可以将步骤401获取到的目标头部图像输入至预先训练的特征提取模型,生成目标头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图。特征提取模型通过如上述用于训练模型的方法中任一实施例的方法训练得到。
在本实施例的一些可选的实现方式中,特征提取模型包括第一特征提取子模型和第二特征提取子模型,第一特征提取子模型用于表征利用机器学习算法对尺度参数进行训练,第二特征提取子模型用于表征利用机器学习算法对其他卷积核参数进行训练;将目标头部图像输入至预先训练的特征提取模型,生成目标头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图,包括:将目标头部图像输入至预先训练的第一特征提取子模型,生成目标头部图像中的头部对象的第一特征信息和与头部对象的特征信息对应的第一特征图;将目标头部图像输入至预先训练的第二特征提取子模型,生成目标头部图像中的头部对象的第二特征信息和与头部对象的特征信息对应的第二特征图;基于第一特征信息和第二特征信息,确定与第一特征信息和第二特征信息对应的特征信息,并基于第一特征图和第二特征图,确定与第一特征图和第二特征图相对应的特征图。采用两个子模块分开进行特征提取,提升了系统处理效率,通过在原有卷积神经网络模型的基础上增加基于尺度参数的子模型,使模型改进更加简单方便。
从图4中可以看出,与图1对应的实施例相比,本实施例中的用于生成信息的方法的流程400突出了采用训练得到的特征提取模型,来生成目标头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图的步骤。由此,本实施例描述的方案可以实现多尺度空间的特征提取。
进一步参考图5,作为对上述图1~3所示方法的实现,本申请提供了一种用于训练模型的装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,除下面所记载的特征外,该装置实施例还可以包括与图1 所示的方法实施例相同或相应的特征,以及产生与图1所示的方法实施例相同或相应的效果,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于训练模型的装置500包括:第一获取单元501和训练单元502,其中,第一获取单元,被配置成获取训练样本集,其中,训练样本集中的训练样本包括头部图像、头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图;训练单元,被配置成利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为输出数据,训练得到特征提取模型,其中,特征提取模型基于卷积神经网络而构建,卷积神经网络模型的参数包括:尺度参数和其他卷积核参数,尺度参数为利用尺度空间理论而设定的头部对象的尺度结构,其他卷积核参数为卷积神经网络中除尺度参数以外卷积核的其他参数。
在本实施例中,用于训练模型的装置500的第一获取单元501和训练单元502的具体处理及其所带来的技术效果可分别参考图1对应的实施例中的步骤101到步骤102的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,训练单元中的卷积神经网络的卷积核利用高斯核函数、卷积核函数和规范化因子而搭建,高斯核函数利用尺度参数而构建,规范化因子以尺度参数的幂来表示。
在本实施例的一些可选的实现方式中,训练单元中的卷积神经网络的卷积层以获得作为输出数据的特征图的范数的最大值为目标。
在本实施例的一些可选的实现方式中,训练单元中的特征提取模型包括第一子模型和第二子模型,第一子模型的模型参数为尺度参数,第二子模型的模型参数为卷积核参数;训练单元,包括:第一训练模块,被配置成利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为第一子模型的输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为第一子模型的输出数据,调整尺度参数,得到训练完成的第一子模型;第二训练模块,被配置成利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为第二子模型的输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为第二子模型的输出数据,调整卷积核参数,得到训练完成的第二子模型;第一确定模块,被配置成基于训练完成的第一子模型和训练完成的第二子模型,确定特征提取模型。
在本实施例的一些可选的实现方式中,第一获取单元中的头部图像通过对头部图像中的头部对象进行检测和矫正而得到。
本公开的上述实施例提供用于训练模型的装置,通过第一获取单元获取训练样本集,其中,训练样本集中的训练样本包括头部图像、头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图,然后,训练单元利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为输出数据,训练得到特征提取模型,其中,特征提取模型基于卷积神经网络而构建,卷积神经网络模型的参数包括:尺度参数和其他卷积核参数,尺度参数为利用尺度空间理论而设定的头部对象的尺度结构,其他卷积核参数为卷积神经网络中除尺度参数以外卷积核的其他参数,丰富了模型的训练方式,有助于基于训练得到的模型实现多尺度空间的特征提取。
继续参考参考图6,作为对上述图4所示方法的实现,本申请提供了一种用于生成信息的装置的一个实施例,该装置实施例与图4所示的方法实施例相对应,除下面所记载的特征外,该装置实施例还可以包括与图4 所示的方法实施例相同或相应的特征,以及产生与图4所示的方法实施例相同或相应的效果,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的用于生成信息的装置600包括:第二获取单元601和生成单元602,其中,第二获取单元,被配置成获取目标头部图像;生成单元,被配置成将目标头部图像输入至预先训练的特征提取模型,生成目标头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图,其中,特征提取模型通过如上述用于训练模型的方法中任一实施例的方法训练得到。
在本实施例中,用于生成信息的装置600的第二获取单元601和生成单元602的具体处理及其所带来的技术效果可分别参考图4对应的实施例中的步骤401到步骤402的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,生成单元中的特征提取模型包括第一特征提取子模型和第二特征提取子模型,第一特征提取子模型用于表征利用机器学习算法对尺度参数进行训练,第二特征提取子模型用于表征利用机器学习算法对其他卷积核参数进行训练;生成单元,包括:第一生成模块,被配置成将目标头部图像输入至预先训练的第一特征提取子模型,生成目标头部图像中的头部对象的第一特征信息和与头部对象的特征信息对应的第一特征图;第二生成模块,被配置成将目标头部图像输入至预先训练的第二特征提取子模型,生成目标头部图像中的头部对象的第二特征信息和与头部对象的特征信息对应的第二特征图;第二确定模块,被配置成基于第一特征信息和第二特征信息,确定与第一特征信息和第二特征信息对应的特征信息,并基于第一特征图和第二特征图,确定与第一特征图和第二特征图相对应的特征图。
本公开的上述实施例提供用于训练模型的装置,通过第二获取单元获取目标头部图像,生成单元将目标头部图像输入至预先训练的特征提取模型,生成目标头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图,其中,特征提取模型通过如上述用于训练模型的方法中任一实施例的方法训练得到,实现了多尺度空间的特征提取。
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用于训练模型的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,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的用于训练模型的方法。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用于训练模型的方法。
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用于训练模型的方法对应的程序指令/模块(例如,附图5所示的第一获取单元 501和训练单元502)。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用于训练模型的方法。
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用于训练模型的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用于训练模型的电子设备。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。
用于训练模型的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,以及产生与用于训练模型的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。
根据本申请实施例的技术方案采用获取训练样本集,其中,训练样本集中的训练样本包括头部图像、头部图像中的头部对象的特征信息和与头部对象的特征信息对应的特征图,利用机器学习算法,将训练样本集中的训练样本包括的头部图像作为输入数据,将与输入的头部图像对应的头部对象的特征信息和与头部对象的特征信息对应的特征图作为输出数据,训练得到特征提取模型,其中,特征提取模型基于卷积神经网络而构建,卷积神经网络模型的参数包括:尺度参数和其他卷积核参数,尺度参数为利用尺度空间理论而设定的头部对象的尺度结构,其他卷积核参数为卷积神经网络中除尺度参数以外卷积核的其他参数,解决了现有的人脸识别技术中基于卷积神经网络的人脸识别算法忽视了尺度结构在视觉任务的重要性,不能对人脸的不同部位使用最佳的尺度结构进行分析与特征提取的问题。通过将尺度空间理论与自动尺度选择的理论引入卷积神经网络中,使卷积神经网络具有尺度的概念,并能自适应地在训练过程中学习到多尺度空间的人脸表征,让人脸不同的部位都能在其最佳的尺度下进行处理分析,从而提升特征提取模型的表征能力。
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)
1.一种用于训练模型的方法,所述方法包括:
获取训练样本集,其中,所述训练样本集中的训练样本包括头部图像、头部图像中的头部对象的特征信息和与所述头部对象的特征信息对应的特征图;
利用机器学习算法,将所述训练样本集中的训练样本包括的头部图像作为输入数据,将与输入的头部图像对应的所述头部对象的特征信息和与所述头部对象的特征信息对应的特征图作为输出数据,训练得到特征提取模型,其中,所述特征提取模型基于卷积神经网络而构建,所述卷积神经网络模型的参数包括:尺度参数和其他卷积核参数,所述尺度参数为利用尺度空间理论而设定的所述头部对象的尺度结构,所述其他卷积核参数为所述卷积神经网络中除所述尺度参数以外卷积核的其他参数,所述卷积神经网络的卷积层以获得作为输出数据的所述特征图的范数的最大值为目标。
2.根据权利要求1所述的方法,其中,所述特征提取模型包括第一子模型和第二子模型,所述第一子模型的模型参数为所述尺度参数,所述第二子模型的模型参数为所述卷积核参数;
所述利用机器学习算法,将所述训练样本集中的训练样本包括的头部图像作为输入数据,将与输入的头部图像对应的所述头部对象的特征信息和与所述头部对象的特征信息对应的特征图作为输出数据,训练得到特征提取模型,包括:
利用机器学习算法,将所述训练样本集中的训练样本包括的头部图像作为第一子模型的输入数据,将与输入的头部图像对应的所述头部对象的特征信息和与所述头部对象的特征信息对应的特征图作为第一子模型的输出数据,调整所述尺度参数,得到训练完成的第一子模型;
利用机器学习算法,将所述训练样本集中的训练样本包括的头部图像作为第二子模型的输入数据,将与输入的头部图像对应的所述头部对象的特征信息和与所述头部对象的特征信息对应的特征图作为第二子模型的输出数据,调整所述卷积核参数,得到训练完成的第二子模型;
基于训练完成的所述第一子模型和训练完成的所述第二子模型,确定所述特征提取模型。
3.根据权利要求1所述的方法,其中,所述卷积神经网络的卷积核利用高斯核函数、卷积核函数和规范化因子而搭建,所述高斯核函数利用尺度参数而构建,所述规范化因子以所述尺度参数的幂来表示。
4.根据权利要求1所述的方法,其中,所述头部图像通过对所述头部图像中的头部对象进行检测和矫正而得到。
5.一种用于生成信息的方法,所述方法包括:
获取目标头部图像;
将所述目标头部图像输入至预先训练的特征提取模型,生成所述目标头部图像中的头部对象的特征信息和与所述头部对象的特征信息对应的特征图,其中,所述特征提取模型通过如权利要求1-4之一所述的方法训练得到。
6.根据权利要求5所述的方法,其中,所述特征提取模型包括第一特征提取子模型和第二特征提取子模型,所述第一特征提取子模型用于表征利用机器学习算法对所述尺度参数进行训练,所述第二特征提取子模型用于表征利用机器学习算法对所述其他卷积核参数进行训练;
所述将所述目标头部图像输入至预先训练的特征提取模型,生成所述目标头部图像中的头部对象的特征信息和与所述头部对象的特征信息对应的特征图,包括:
将所述目标头部图像输入至预先训练的第一特征提取子模型,生成所述目标头部图像中的头部对象的第一特征信息和与头部对象的特征信息对应的第一特征图;
将所述目标头部图像输入至预先训练的第二特征提取子模型,生成所述目标头部图像中的头部对象的第二特征信息和与头部对象的特征信息对应的第二特征图;
基于所述第一特征信息和所述第二特征信息,确定与所述第一特征信息和所述第二特征信息对应的特征信息,并基于所述第一特征图和所述第二特征图,确定与所述第一特征图和所述第二特征图相对应的特征图。
7.一种用于训练模型的装置,所述装置包括:
第一获取单元,被配置成获取训练样本集,其中,所述训练样本集中的训练样本包括头部图像、头部图像中的头部对象的特征信息和与所述头部对象的特征信息对应的特征图;
训练单元,被配置成利用机器学习算法,将所述训练样本集中的训练样本包括的头部图像作为输入数据,将与输入的头部图像对应的所述头部对象的特征信息和与所述头部对象的特征信息对应的特征图作为输出数据,训练得到特征提取模型,其中,所述特征提取模型基于卷积神经网络而构建,所述卷积神经网络模型的参数包括:尺度参数和其他卷积核参数,所述尺度参数为利用尺度空间理论而设定的所述头部对象的尺度结构,所述其他卷积核参数为所述卷积神经网络中除所述尺度参数以外卷积核的其他参数,所述卷积神经网络的卷积层以获得作为输出数据的所述特征图的范数的最大值为目标。
8.根据权利要求7所述装置,其中,所述训练单元中的所述特征提取模型包括第一子模型和第二子模型,所述第一子模型的模型参数为所述尺度参数,所述第二子模型的模型参数为所述卷积核参数;
所述训练单元,包括:
第一训练模块,被配置成利用机器学习算法,将所述训练样本集中的训练样本包括的头部图像作为第一子模型的输入数据,将与输入的头部图像对应的所述头部对象的特征信息和与所述头部对象的特征信息对应的特征图作为第一子模型的输出数据,调整所述尺度参数,得到训练完成的第一子模型;
第二训练模块,被配置成利用机器学习算法,将所述训练样本集中的训练样本包括的头部图像作为第二子模型的输入数据,将与输入的头部图像对应的所述头部对象的特征信息和与所述头部对象的特征信息对应的特征图作为第二子模型的输出数据,调整所述卷积核参数,得到训练完成的第二子模型;
第一确定模块,被配置成基于训练完成的所述第一子模型和训练完成的所述第二子模型,确定所述特征提取模型。
9.根据权利要求7所述装置,其中,所述训练单元中的所述卷积神经网络的卷积核利用高斯核函数、卷积核函数和规范化因子而搭建,所述高斯核函数利用尺度参数而构建,所述规范化因子以所述尺度参数的幂来表示。
10.根据权利要求7所述装置,其中,所述第一获取单元中的所述头部图像通过对所述头部图像中的头部对象进行检测和矫正而得到。
11.一种用于生成信息的装置,所述装置包括:
第二获取单元,被配置成获取目标头部图像;
生成单元,被配置成将所述目标头部图像输入至预先训练的特征提取模型,生成所述目标头部图像中的头部对象的特征信息和与所述头部对象的特征信息对应的特征图,其中,所述特征提取模型通过如权利要求1-4之一所述的方法训练得到。
12.根据权利要求11所述的装置,其中,所述生成单元中的所述特征提取模型包括第一特征提取子模型和第二特征提取子模型,所述第一特征提取子模型用于表征利用机器学习算法对所述尺度参数进行训练,所述第二特征提取子模型用于表征利用机器学习算法对所述其他卷积核参数进行训练;
所述生成单元,包括:
第一生成模块,被配置成将所述目标头部图像输入至预先训练的第一特征提取子模型,生成所述目标头部图像中的头部对象的第一特征信息和与头部对象的特征信息对应的第一特征图;
第二生成模块,被配置成将所述目标头部图像输入至预先训练的第二特征提取子模型,生成所述目标头部图像中的头部对象的第二特征信息和与头部对象的特征信息对应的第二特征图;
第二确定模块,被配置成基于所述第一特征信息和所述第二特征信息,确定与所述第一特征信息和所述第二特征信息对应的特征信息,并基于所述第一特征图和所述第二特征图,确定与所述第一特征图和所述第二特征图相对应的特征图。
13.一种电子设备,其特征在于,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,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011413787.6A CN112200169B (zh) | 2020-12-07 | 2020-12-07 | 用于训练模型的方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011413787.6A CN112200169B (zh) | 2020-12-07 | 2020-12-07 | 用于训练模型的方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112200169A CN112200169A (zh) | 2021-01-08 |
CN112200169B true CN112200169B (zh) | 2021-04-30 |
Family
ID=74034429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011413787.6A Active CN112200169B (zh) | 2020-12-07 | 2020-12-07 | 用于训练模型的方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200169B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618218A (zh) * | 2021-06-28 | 2023-01-17 | 京东科技控股股份有限公司 | 用于训练模型的方法、装置、设备以及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975931B (zh) * | 2016-05-04 | 2019-06-14 | 浙江大学 | 一种基于多尺度池化的卷积神经网络人脸识别方法 |
US10869036B2 (en) * | 2018-09-18 | 2020-12-15 | Google Llc | Receptive-field-conforming convolutional models for video coding |
CN110245621B (zh) * | 2019-06-17 | 2023-10-17 | 深圳Tcl新技术有限公司 | 人脸识别装置及图像处理方法、特征提取模型、存储介质 |
CN111353939B (zh) * | 2020-03-02 | 2023-10-27 | 中国科学院深圳先进技术研究院 | 一种基于多尺度特征表示与权值共享卷积层的图像超分辨率方法 |
CN111444850B (zh) * | 2020-03-27 | 2023-11-14 | 北京爱笔科技有限公司 | 一种图片检测的方法和相关装置 |
-
2020
- 2020-12-07 CN CN202011413787.6A patent/CN112200169B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112200169A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210174072A1 (en) | Microexpression-based image recognition method and apparatus, and related device | |
CN112001180A (zh) | 多模态预训练模型获取方法、装置、电子设备及存储介质 | |
CN113643412A (zh) | 虚拟形象的生成方法、装置、电子设备及存储介质 | |
CN111563855B (zh) | 图像处理的方法及装置 | |
CN111860362A (zh) | 生成人脸图像校正模型及校正人脸图像的方法和装置 | |
CN111369602A (zh) | 点云数据的处理方法、装置、电子设备及可读存储介质 | |
CN112001248B (zh) | 主动交互的方法、装置、电子设备和可读存储介质 | |
CN113642431A (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
CN111539347B (zh) | 用于检测目标的方法和装置 | |
CN111539897A (zh) | 用于生成图像转换模型的方法和装置 | |
CN112241715A (zh) | 模型训练方法、表情识别方法、装置、设备及存储介质 | |
CN112102153A (zh) | 图像的卡通化处理方法、装置、电子设备和存储介质 | |
CN111968203A (zh) | 动画驱动方法、装置、电子设备及存储介质 | |
CN114386503A (zh) | 用于训练模型的方法和装置 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN111862031A (zh) | 一种人脸合成图检测方法、装置、电子设备及存储介质 | |
CN112561879A (zh) | 模糊度评价模型训练方法、图像模糊度评价方法及装置 | |
CN113221771A (zh) | 活体人脸识别方法、装置、设备、存储介质及程序产品 | |
CN112200169B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
CN111523467B (zh) | 人脸跟踪方法和装置 | |
CN113269719A (zh) | 模型训练、图像处理方法,装置,设备以及存储介质 | |
CN115393488B (zh) | 虚拟人物表情的驱动方法、装置、电子设备和存储介质 | |
CN111966852A (zh) | 基于人脸的虚拟整容的方法和装置 | |
CN111768005A (zh) | 轻量级检测模型的训练方法、装置、电子设备及存储介质 | |
CN116167426A (zh) | 人脸关键点定位模型的训练方法及人脸关键点定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |