CN117351228A - 关键点的损失确定及预测方法、装置、电子设备及介质 - Google Patents

关键点的损失确定及预测方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN117351228A
CN117351228A CN202210750454.5A CN202210750454A CN117351228A CN 117351228 A CN117351228 A CN 117351228A CN 202210750454 A CN202210750454 A CN 202210750454A CN 117351228 A CN117351228 A CN 117351228A
Authority
CN
China
Prior art keywords
contour
loss
key point
key points
determining
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.)
Pending
Application number
CN202210750454.5A
Other languages
English (en)
Inventor
王亮亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zitiao Network Technology Co Ltd
Original Assignee
Beijing Zitiao Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zitiao Network Technology Co Ltd filed Critical Beijing Zitiao Network Technology Co Ltd
Priority to CN202210750454.5A priority Critical patent/CN117351228A/zh
Publication of CN117351228A publication Critical patent/CN117351228A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本公开实施例公开了一种关键点的损失确定及预测方法、装置、电子设备及介质，其中损失确定方法包括：将样本图像中各轮廓关键点的真实位置，与对应的相邻关键点的真实位置进行连线；根据所述各轮廓关键点的预测位置距对应连线的距离，确定所述各轮廓关键点的损失权重；根据所述各轮廓关键点的真实位置、预测位置以及损失权重，确定所述各轮廓关键点的回归损失。通过使用轮廓关键点的预测值距对应轮廓切线的距离，确定轮廓关键点的权重，能够在每轮次回归过程中为关键点赋予不同的损失权重，可优化关键点的回归效果。

Description

关键点的损失确定及预测方法、装置、电子设备及介质
技术领域
本公开实施例涉及计算机技术领域，尤其涉及一种关键点的损失确定及预测方法、装置、电子设备及介质。
背景技术
图像中的关键点可以表征图像中目标对象的特定位置。在关键点预测模型的训练过程中，可基于各关键点的预测值与真值间的损失来调整预测模型的参数，以使预测值向真值回归。
现有技术中，在确定回归过程中的损失时，通常所有关键点的损失权重相同。现有技术的不足之处至少包括：各关键点的损失权重相同，会导致一些定义模糊的关键点的损失占比较大，从而影响其他关键点的回归，导致回归效果较差。
发明内容
本公开实施例提供了一种关键点的损失确定及预测方法、装置、电子设备及介质，能够在每轮次回归过程中为关键点赋予不同的损失权重，可优化关键点的回归效果。
第一方面，本公开实施例提供了一种关键点的损失确定方法，包括：
将样本图像中各轮廓关键点的真实位置，与对应的相邻关键点的真实位置进行连线；
根据所述各轮廓关键点的预测位置距对应连线的距离，确定所述各轮廓关键点的损失权重；
根据所述各轮廓关键点的真实位置、预测位置以及损失权重，确定所述各轮廓关键点的回归损失。
第二方面，本公开实施例提供了一种关键点的预测方法，包括：
将待预测图像输入预测模型；
根据所述预测模型输出所述待预测图像中各关键点的预测位置；
其中，所述预测模型在训练过程中，各轮廓关键点的回归损失基于各轮廓点的真实位置、预测位置以及损失权重确定；各所述损失权重基于各所述轮廓点的预测位置距离对应连线确定；所述对应连线为所述各轮廓关键点的真实位置，与对应的相邻关键点的真实位置的连线。
第三方面，本公开实施例还提供了一种关键点的损失确定装置，包括：
连线模块，用于将样本图像中各轮廓关键点的真实位置，与对应的相邻关键点的真实位置进行连线；
权重确定模块，用于根据所述各轮廓关键点的预测位置距对应连线的距离，确定所述各轮廓关键点的损失权重；
损失确定模块，用于根据所述各轮廓关键点的真实位置、预测位置以及损失权重，确定所述各轮廓关键点的回归损失。
第四方面，本公开实施例还提供了一种关键点的预测装置，包括：
输入模块，用于将待预测图像输入预测模型；
输出模块，用于根据所述预测模型输出所述待预测图像中各关键点的预测位置；
其中，所述预测模型在训练过程中，各轮廓关键点的回归损失基于各轮廓点的真实位置、预测位置以及损失权重确定；各所述损失权重基于各所述轮廓点的预测位置距离对应连线确定；所述对应连线为所述各轮廓关键点的真实位置，与对应的相邻关键点的真实位置的连线。
第五方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的关键点的损失确定方法，或关键点的预测方法。
第六方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的关键点的损失确定方法，或关键点的预测方法。
本公开实施例提供的技术方案，可将样本图像中各轮廓关键点的真实位置，与对应的相邻关键点的真实位置进行连线；根据各轮廓关键点的预测位置距对应连线的距离，确定所述各轮廓关键点的损失权重；根据各轮廓关键点的真实位置、预测位置以及损失权重，确定各轮廓关键点的回归损失。
在提出本公开实施例的技术方案过程中发现，由于在标注样本图像中轮廓关键点的真实位置时，在已标注的真实位置基础上沿轮廓线方向上滑动一定位移标注出新的真实位置，在视觉感知上也可以认为是对应轮廓关键点的真值；在轮廓线切线方向上滑动一定位移标注出新的真实位置，在视觉感知上与对应轮廓关键点的真值具备明显差异。因此，在本公开实施例中，可以以轮廓关键点与相邻关键点的真实位置间的连线作为标准，根据当前轮次回归中轮廓关键点的预测位置距对应连线的距离，来评估轮廓关键点在当前轮次回归中损失的重要程度，以对应设置损失权重。从而能够实现在每轮次回归过程中为轮廓关键点赋予不同的损失权重，以在下一轮次回归中重点回归视觉感知上与真值相差较大的关键点，从而可优化关键点的回归效果。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例所提供的一种关键点的损失确定方法的流程示意图；
图2为本公开实施例所提供的一种关键点的损失确定方法中局部人脸关键点的位置的示意图；
图3为本公开实施例所提供的一种关键点的预测方法的流程示意图；
图4为本公开实施例所提供的一种关键点的损失确定装置的结构示意图；
图5为本公开实施例所提供的一种关键点的预测装置的结构示意图；
图6为本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1为本公开实施例所提供的一种关键点的损失确定方法的流程示意图。本公开实施例适用于训练关键点的预测模型过程中，确定每轮次关键点回归损失的情形。该方法可以由关键点的损失确定装置来执行，该确定装置可以通过软件和/或硬件的形式实现，且可配置于电子设备中，例如配置于计算机中。
如图1所示，本实施例提供的关键点的损失确定方法，可以包括：
S110、将样本图像中各轮廓关键点的真实位置，与对应的相邻关键点的真实位置进行连线。
本公开实施例中，可以从开源数据库中获取到各样本图像，以及预先标注的各样本图像中关键点的真实位置。此外，其他符合相应法律法规及相关规定的要求获取样本图像和其关键点的真实位置的方式也可应用于此，在此不做穷举。
在获取到样本图像和其关键点的真实位置后，可以从样本图像的各关键点中确定轮廓关键点。其中，轮廓关键点可以认为是表征目标对象外形轮廓的关键点。例如，关键点为人脸关键点时，轮廓关键点可以包括表征面部轮廓、眉毛轮廓、眼睛轮廓和嘴巴轮廓等的关键点。其中，可以采用边缘检测等算法确定目标对象的外形轮廓，并根据确定的外形轮廓从关键点中筛选出轮廓关键点；也可以根据预先设置的轮廓关键点标识，从各关键点中确定出轮廓关键点。
在确定各轮廓关键点后，可以将各轮廓关键点与其相邻关键点的真实位置之间进行连线，得到各轮廓关键点对应的轮廓线。其中，相邻关键点可以指与轮廓关键点表征相同目标对象的外形轮廓的关键点中，与轮廓关键点邻近的关键点。将各轮廓关键点与相邻关键点的真实位置进行连线，可以包括：将各轮廓关键点与单侧的相邻关键点进行连线；或者，将其与两侧的相邻关键点进行连线。
示例性的，图2为本公开实施例所提供的一种关键点的损失确定方法中局部人脸关键点的位置的示意图。图2示出了局部面部图像中的人脸关键点，其中的圆点标识可以表示各关键点的真实位置。图中标注在各关键点的真实位置旁的数字，可以表示各关键点的预设序号。
在一些可选的实现方式中，将样本图像中各轮廓关键点的真实位置，与对应的相邻关键点的真实位置进行连线，可以包括：根据各轮廓关键点的预设序号，将样本图像中各轮廓关键点的真实位置，与对应的相邻序号的关键点的真实位置进行连线。
其中，根据预设序号进行连线可以包括：先判断相邻序号的关键点的真实位置，距轮廓关键点的真实位置之间的距离是否小于预设距离；若是，则可以认为轮廓关键点与相邻的轮廓关键点表征同一目标对象的外形轮廓；若否，则可以认为轮廓关键点与相邻的轮廓关键点没有表征同一目标对象的外形轮廓。
进而，可将轮廓关键点与表征相同目标对象的外形轮廓的相邻关键点进行连线。并且，若两侧相邻关键点皆与轮廓关键点表征相同目标对象的外形轮廓，则可以将轮廓关键点与排序靠前或后的一个相邻序号的关键点的真实位置的连线，作为对应的轮廓线；也可以将轮廓关键点与排序靠前和后的两个相邻序号的关键点的真实位置的连线，作为对应的轮廓线。示例性的，参见图2，可以将面部轮廓点2与面部轮廓点3的连线，作为面部轮廓点2对应的轮廓线；也可以将面部轮廓点1、3与面部轮廓点2的连线，皆作为面部轮廓点2对应的轮廓线。
在这些可选的实现方式中，通过根据预设序号进行连线，可快速、准确地确定出各轮廓关键点对应的轮廓线。
S120、根据各轮廓关键点的预测位置距对应连线的距离，确定各轮廓关键点的损失权重。
本公开实施例中，用于预测图像中关键点位置的模型可以称为预测模型。可根据获取到的样本图像和其关键点的真实位置，对预测模型进行训练。预测模型的训练过程可以包括多轮的模型参数调整，以使模型输出的关键点的预测位置向其真实位置回归。在每轮调整参数后，预测模型可重新输出关键点的预测位置，可将各预测位置与其真实位置间的损失称为该轮次回归中关键点的损失，且该损失可用于指导下一轮的模型参数调整。
在确定各轮次回归中关键点的损失时，皆可根据预测模型在当前轮次输出的各轮廓关键点的预测位置，距对应轮廓线的距离，确定当前轮次中各轮廓关键点的损失权重。可以理解为，在同一轮次回归中，不同轮廓关键点的损失权重可以不同；在不同轮次回归中，相同轮廓关键点的损失权重也可以不同。
由于在标注样本图像中轮廓关键点的真实位置时，在已标注的真实位置基础上沿轮廓线方向上滑动一定位移标注出新的真实位置，在视觉感知上也可以认为是对应轮廓关键点的真值；在轮廓线切线方向上滑动一定位移标注出新的真实位置，在视觉感知上与对应轮廓关键点的真值具备明显差异。可以推测出，当两预测位置与真实位置的距离相同时，距离对应轮廓线较近的预测位置在视觉感知上更接近真实位置，其损失对于回归过程的重要程度较小。基于此，根据各轮廓关键点的预测位置距对应连线的距离，确定各轮廓关键点的损失权重，可以是距离越小，配置相对较小的损失权重；距离越大，配置相对较大的损失权重。
通过在每轮次回归过程中为轮廓关键点赋予不同的损失权重，能够在下一轮次回归中重点回归视觉感知上与真实位置相差较大的轮廓关键点，从而可优化关键点的回归效果。
在一些可选的实现方式中，根据各轮廓关键点的预测位置距对应连线的距离，确定各轮廓关键点的损失权重，包括：将各轮廓关键点的预测位置距对应连线的距离，作为各轮廓关键点的损失权重；或者，根据各轮廓关键点的预测位置距对应连线的距离，对各轮廓关键点进行分类，并根据分类结果确定各轮廓关键点的损失权重。
再次参见图2，以面部关键点2为例，可以将面部轮廓点2与面部轮廓点3的连线(及其延长线)，作为面部轮廓点2对应的轮廓线L。假设，三角标识2’和三角标识2”可分别表示第m轮和第n轮回归中模型输出的面部轮廓点2的预测位置，且三角标识2’距轮廓线L的距离为d1，三角标识2”距轮廓线L的距离为d2。那么，确定第m轮和第n轮回归中面部轮廓点2的损失权重的方式可以包括：将d1和d2分别作为面部轮廓点2在第m轮和第n轮回归中的损失权重；或者，根据d1和d2，对面部轮廓点2进行分类，并根据分类结果确定面部轮廓点2在第m轮和第n轮回归中的损失权重。
其中，根据各轮廓关键点的预测位置距对应连线的距离，对各轮廓关键点进行分类，并根据分类结果确定各轮廓关键点的损失权重，可以包括：若当前轮廓关键点的预测位置距对应连线的距离小于第一预设阈值，则将当前轮廓关键点作为第一类关键点(该类关键点的损失对于回归过程的重要程度较小)；若当前轮廓关键点的预测位置距对应连线的距离大于等于第一预设阈值，则将当前轮廓关键点作为第二类关键点(该类关键点的损失对于回归过程的重要程度较大)；设置第一类关键点的损失权重小于第二类关键点的损失权重。
在这些可选的实现方式中，通过将预测位置距轮廓线的距离作为轮廓关键点的损失权重，可以使损失权重与距离正相关；通过根据预测位置距轮廓线的距离，对各轮廓点进行分类，并将相同分类结果的轮廓关键点设置相同的损失权重，可以时损失权重与距离呈分段正相关。此外，其他根据距离确定轮廓关键点的损失权重的方式也可包含于此，例如将距离进行归一化，将归一化结果作为损失权重等，在此不做穷举。
S130、根据各轮廓关键点的真实位置、预测位置以及损失权重，确定各轮廓关键点的回归损失。
其中，可基于常用的损失函数(例如smoothL1损失函数、L1范数损失函数、L2范数损失函数、均方误差损失函数等)，确定各轮廓关键点的回归损失。以SmoothL1损失函数为例，可根据下述公式确定各轮廓关键点的回归损失：
ASA(x)＝dynamicWeight×smoothL1；
其中，x可以表示轮廓关键点的真实位置和预测位置的差值；dynamicWeight可表示当前轮次回归中轮廓关键点的损失权重；ASA可表示当前轮次回归中轮廓关键点的回归损失。
本公开实施例的技术方案，可将样本图像中各轮廓关键点的真实位置，与对应的相邻关键点的真实位置进行连线；根据各轮廓关键点的预测位置距对应连线的距离，确定各轮廓关键点的损失权重；根据各轮廓关键点的真实位置、预测位置以及损失权重，确定各轮廓关键点的回归损失。
由于在标注样本图像的轮廓关键点的真实位置时，在已标注的真实位置基础上沿轮廓线方向上滑动一定位移标注出新的真实位置，在视觉感知上也可以认为是对应轮廓关键点的真值；在轮廓线切线方向上滑动一定位移标注出新的真实位置，在视觉感知上与对应轮廓关键点的真值具备明显差异。故在本公开实施例中，可以以轮廓关键点与相邻关键点的真实位置间的连线作为标准，根据当前轮次回归中轮廓关键点的预测位置距对应连线的距离，来评估轮廓关键点在当前轮次回归中损失的重要程度，以对应设置损失权重。从而能够实现在每轮回归过程中为轮廓关键点赋予不同的损失权重，以在下一轮次回归中重点回归视觉感知上与真值相差较大的关键点，从而可优化关键点的回归效果。
本公开实施例与上述实施例中所提供的关键点的损失确定方法中各个可选方案可以结合。本实施例所提供的关键点的损失确定方法，对非轮廓关键点的回归损失的确定步骤进行了详细描述，根据轮廓关键点和非轮廓关键点的回归损失，可以得到预测模型在当前轮次回归中的损失(即当前输出损失)。进而，可以根据每轮次中的当前输出损失对预测模型进行训练直至收敛，得到训练完成的预测模型。
本公开实施例提供的可选的实现方式中，关键点的损失确定方法，还可以包括：将样本图像中的各非轮廓关键点的损失权重设置为预设权重；根据各非轮廓关键点的真实位置、预测位置以及预设权重，确定各非轮廓点的回归损失；根据各轮廓点的回归损失，和各非轮廓关键点的回归损失，确定样本图像的当前输出损失。
其中，样本图像中的关键点除包含轮廓关键点外，还可包括非轮廓关键点。例如，图2中眼瞳点(预设序号为105的关键点)可以认为是非轮廓关键点，其不属于眼睛对象的外形轮廓，但仍属于定位眼睛对象的关键点。针对该类非轮廓关键点，可在每轮次回归中皆为其设置固定的预设权重。并且，由于非轮廓关键点的预测位置在真值位置任意方向上的偏移，在视觉感知上都存在明显差异，可将非轮廓关键点的损失权重设置为较大的数值，以重点回归非轮廓关键点。
在确定非轮廓关键点的损失权重后，可参考轮廓关键点的回归损失，对非轮廓关键点的回归损失进行确定。之后，可将各轮廓点的回归损失与各非轮廓关键点的回归损失之和，作为样本图像的当前输出损失。
在一些可选的实现方式中，在确定样本图像的当前输出损失之后，还包括：循环根据当前输出损失对关键点的预测模型进行参数调整，并根据参数调整后的预测模型输出各关键点的新的预测位置，直至当前回归损失小于第二预设阈值时为止。在这些可选的实现方式中，在当前回归损失小于第二预设阈值时，可认为预测模型已训练收敛。通过在每轮次回归过程中，为不同关键点设置不同损失权重，根据损失权重调整预测模型参数，能够使训练完成的预测模型具备更好的关键点预测效果。
本公开实施例的技术方案，对非轮廓关键点的回归损失的确定步骤进行了详细描述，根据轮廓关键点和非轮廓关键点的回归损失，可以得到预测模型在当前轮次回归中的损失(即当前输出损失)。进而，可以根据每轮次中的当前输出损失对预测模型进行训练直至收敛，得到训练完成的预测模型。此外，本公开实施例提供的关键点的损失确定方法与上述实施例提供的关键点的损失确定方法属于同一公开构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且相同的技术特征在本实施例与上述实施例中具有相同的有益效果。
图3为本公开实施例所提供的一种关键点的预测方法的流程示意图。本公开实施例适用于预测关键点的情形，例如预测人脸关键点的情形。该方法可以由关键点的预测装置来执行，该预测装置可以通过软件和/或硬件的形式实现，且可配置于电子设备中，例如配置于计算机中。
如图3所示，本实施例提供的关键点的预测方法，可以包括：
S310、将待预测图像输入预测模型；
S320、根据预测模型输出待预测图像中各关键点的预测位置。
其中，预测模型在训练过程中，各轮廓关键点的回归损失基于各轮廓点的真实位置、预测位置以及损失权重确定；各损失权重基于各轮廓点的预测位置距离对应连线确定；对应连线为各轮廓关键点的真实位置，与对应的相邻关键点的真实位置的连线。
在一些可选的实现方式中，损失权重可以基于下述步骤确定：
将各轮廓关键点的预测位置距对应连线的距离，作为各轮廓关键点的损失权重；或者，
根据各轮廓关键点的预测位置距对应连线的距离，对各轮廓关键点进行分类，并根据分类结果确定各轮廓关键点的损失权重。
在一些可选的实现方式中，根据各轮廓关键点的预测位置距对应连线的距离，对各轮廓关键点进行分类，并根据分类结果确定各轮廓关键点的损失权重，可以包括：
若当前轮廓关键点的预测位置距对应连线的距离小于第一预设阈值，则将当前轮廓关键点作为第一类关键点；
若当前轮廓关键点的预测位置距对应连线的距离大于等于第一预设阈值，则将当前轮廓关键点作为第二类关键点；
设置第一类关键点的损失权重小于第二类关键点的损失权重。
在一些可选的实现方式中，可以基于下述步骤进行连线：
根据各轮廓关键点的预设序号，将样本图像中各轮廓关键点的真实位置，与对应的相邻序号的关键点的真实位置进行连线。
在一些可选的实现方式中，损失权重还可以基于下述步骤确定：
将样本图像中的各非轮廓关键点的损失权重设置为预设权重；
根据各非轮廓关键点的真实位置、预测位置以及预设权重，确定各非轮廓点的回归损失；
根据各轮廓点的回归损失，和各非轮廓关键点的回归损失，确定样本图像的当前输出损失。
在一些可选的实现方式中，预测模型可基于下述步骤训练：
在确定样本图像的当前输出损失之后，循环根据当前输出损失对关键点的预测模型进行参数调整，并根据参数调整后的预测模型输出各关键点的新的预测位置，直至当前回归损失小于第二预设阈值时为止。
在一些可选的实现方式中，关键点为人脸关键点。
本公开实施例的技术方案，用于预测关键点位置的预测模型，在训练过程中可以以轮廓关键点与相邻关键点的真实位置间的连线作为标准，根据当前轮次回归中轮廓关键点的预测位置距对应连线的距离，来评估轮廓关键点在当前轮次回归中损失的重要程度，以对应设置损失权重。从而能够实现在每轮回归过程中为轮廓关键点赋予不同的损失权重，以在下一轮次回归中重点回归视觉感知上与真值相差较大的关键点，从而可优化关键点的回归效果。基于该种方式训练完毕的预测模型，能够输出精度更高的关键点预测位置。
此外，本公开实施例提供的关键点的预测方法与上述实施例提供的关键点的损失确定方法属于同一公开构思，未在本实施例中详尽描述的技术细节(例如预测模型训练过程中调整参数的技术细节)可参见上述实施例，并且相同的技术特征在本实施例与上述实施例中具有相同的有益效果。
图4为本公开实施例所提供的一种关键点的损失确定装置的结构示意图。本实施例提供的关键点的损失确定装置适用于训练关键点的预测模型过程中，确定每轮次关键点回归损失的情形。
如图4所示，本公开实施例提供的关键点的损失确定装置，可以包括：
连线模块410，用于将样本图像中各轮廓关键点的真实位置，与对应的相邻关键点的真实位置进行连线；
权重确定模块420，用于根据各轮廓关键点的预测位置距对应连线的距离，确定各轮廓关键点的损失权重；
损失确定模块430，用于根据各轮廓关键点的真实位置、预测位置以及损失权重，确定各轮廓关键点的回归损失。
在一些可选的实现方式中，权重确定模块，可以用于：
将各轮廓关键点的预测位置距对应连线的距离，作为各轮廓关键点的损失权重；或者，
根据各轮廓关键点的预测位置距对应连线的距离，对各轮廓关键点进行分类，并根据分类结果确定各轮廓关键点的损失权重。
在一些可选的实现方式中，权重确定模块，可以用于：
若当前轮廓关键点的预测位置距对应连线的距离小于第一预设阈值，则将当前轮廓关键点作为第一类关键点；
若当前轮廓关键点的预测位置距对应连线的距离大于等于第一预设阈值，则将当前轮廓关键点作为第二类关键点；
设置第一类关键点的损失权重小于第二类关键点的损失权重。
在一些可选的实现方式中，连线装置，可以用于：
根据各轮廓关键点的预设序号，将样本图像中各轮廓关键点的真实位置，与对应的相邻序号的关键点的真实位置进行连线。
在一些可选的实现方式中，权重确定模块，还可以用于将样本图像中的各非轮廓关键点的损失权重设置为预设权重；
损失确定模块，还可以用于根据各非轮廓关键点的真实位置、预测位置以及预设权重，确定各非轮廓点的回归损失；根据各轮廓点的回归损失，和各非轮廓关键点的回归损失，确定样本图像的当前输出损失。
在一些可选的实现方式中，关键点的损失确定装置，还可以包括：
训练模块，用于在确定样本图像的当前输出损失之后，循环根据当前输出损失对关键点的预测模型进行参数调整，并根据参数调整后的预测模型输出各关键点的新的预测位置，直至当前回归损失小于第二预设阈值时为止。
在一些可选的实现方式中，关键点为人脸关键点。
本公开实施例所提供的关键点的损失确定装置，可执行本公开任意实施例所提供的关键点的损失确定方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
图5为本公开实施例所提供的一种关键点的预测装置的结构示意图。本实施例提供的关键点的预测装置适用于预测关键点的情形，例如预测人脸关键点的情形。
如图5所示，本公开实施例提供的关键点的预测装置，可以包括：
输入模块510，用于将待预测图像输入预测模型；
输出模块520，用于根据预测模型输出待预测图像中各关键点的预测位置；
其中，预测模型在训练过程中，各轮廓关键点的回归损失基于各轮廓点的真实位置、预测位置以及损失权重确定；各损失权重基于各轮廓点的预测位置距离对应连线确定；对应连线为各轮廓关键点的真实位置，与对应的相邻关键点的真实位置的连线。
在一些可选的实现方式中，关键点的预测装置，还可以包括：
训练模块，可用以基于下述步骤确定损失权重：
将各轮廓关键点的预测位置距对应连线的距离，作为各轮廓关键点的损失权重；或者，
根据各轮廓关键点的预测位置距对应连线的距离，对各轮廓关键点进行分类，并根据分类结果确定各轮廓关键点的损失权重。
在一些可选的实现方式中，训练模块，可以用于：
若当前轮廓关键点的预测位置距对应连线的距离小于第一预设阈值，则将当前轮廓关键点作为第一类关键点；
若当前轮廓关键点的预测位置距对应连线的距离大于等于第一预设阈值，则将当前轮廓关键点作为第二类关键点；
设置第一类关键点的损失权重小于第二类关键点的损失权重。
在一些可选的实现方式中，训练模块可以基于下述步骤进行连线：
根据各轮廓关键点的预设序号，将样本图像中各轮廓关键点的真实位置，与对应的相邻序号的关键点的真实位置进行连线。
在一些可选的实现方式中，训练模块还可以基于下述步骤确定损失权重：
将样本图像中的各非轮廓关键点的损失权重设置为预设权重；
根据各非轮廓关键点的真实位置、预测位置以及预设权重，确定各非轮廓点的回归损失；
根据各轮廓点的回归损失，和各非轮廓关键点的回归损失，确定样本图像的当前输出损失。
在一些可选的实现方式中，训练模块可基于下述步骤训练预测模型：
在确定样本图像的当前输出损失之后，循环根据当前输出损失对关键点的预测模型进行参数调整，并根据参数调整后的预测模型输出各关键点的新的预测位置，直至当前回归损失小于第二预设阈值时为止。
在一些可选的实现方式中，关键点为人脸关键点。
本公开实施例所提供的关键点的预测装置，可执行本公开任意实施例所提供的关键点的预测方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如图6中的终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(Read-Only Memory，ROM)602中的程序或者从存储装置608加载到随机访问存储器(Random Access Memory，RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的关键点的损失确定方法，或关键点的预测方法中限定的上述功能。
本公开实施例提供的电子设备与上述实施例提供的关键点的损失确定及预测方法属于同一公开构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的关键点的损失确定方法，或关键点的预测方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)或闪存(FLASH)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：将样本图像中各轮廓关键点的真实位置，与对应的相邻关键点的真实位置进行连线；根据各轮廓关键点的预测位置距对应连线的距离，确定各轮廓关键点的损失权重；根据各轮廓关键点的真实位置、预测位置以及损失权重，确定各轮廓关键点的回归损失。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：将待预测图像输入预测模型；根据预测模型输出待预测图像中各关键点的预测位置；其中，预测模型在训练过程中，各轮廓关键点的回归损失基于各轮廓点的真实位置、预测位置以及损失权重确定；各损失权重基于各轮廓点的预测位置距离对应连线确定；对应连线为各轮廓关键点的真实位置，与对应的相邻关键点的真实位置的连线。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元、模块的名称在某种情况下并不构成对该单元、模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、专用标准产品(Application Specific Standard Parts，ASSP)、片上系统(System on Chip，SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，【示例一】提供了一种关键点的损失确定方法，该方法包括：
将样本图像中各轮廓关键点的真实位置，与对应的相邻关键点的真实位置进行连线；
根据所述各轮廓关键点的预测位置距对应连线的距离，确定所述各轮廓关键点的损失权重；
根据所述各轮廓关键点的真实位置、预测位置以及损失权重，确定所述各轮廓关键点的回归损失。
根据本公开的一个或多个实施例，【示例二】提供了一种关键点的损失确定方法，还包括：
在一些可选的实现方式中，所述根据所述各轮廓关键点的预测位置距对应连线的距离，确定所述各轮廓关键点的损失权重，包括：
将所述各轮廓关键点的预测位置距对应连线的距离，作为所述各轮廓关键点的损失权重；或者，
根据所述各轮廓关键点的预测位置距对应连线的距离，对所述各轮廓关键点进行分类，并根据分类结果确定所述各轮廓关键点的损失权重。
根据本公开的一个或多个实施例，【示例三】提供了一种关键点的损失确定方法，还包括：
在一些可选的实现方式中，所述根据所述各轮廓关键点的预测位置距对应连线的距离，对所述各轮廓关键点进行分类，并根据分类结果确定所述各轮廓关键点的损失权重，包括：
若当前轮廓关键点的预测位置距对应连线的距离小于第一预设阈值，则将所述当前轮廓关键点作为第一类关键点；
若当前轮廓关键点的预测位置距对应连线的距离大于等于所述第一预设阈值，则将所述当前轮廓关键点作为第二类关键点；
设置所述第一类关键点的损失权重小于所述第二类关键点的损失权重。
根据本公开的一个或多个实施例，【示例四】提供了一种关键点的损失确定方法，还包括：
在一些可选的实现方式中，所述将样本图像中各轮廓关键点的真实位置，与对应的相邻关键点的真实位置进行连线，包括：
根据所述各轮廓关键点的预设序号，将样本图像中各轮廓关键点的真实位置，与对应的相邻序号的关键点的真实位置进行连线。
根据本公开的一个或多个实施例，【示例五】提供了一种关键点的损失确定方法，还包括：
在一些可选的实现方式中，将所述样本图像中的各非轮廓关键点的损失权重设置为预设权重；
根据所述各非轮廓关键点的真实位置、预测位置以及预设权重，确定所述各非轮廓点的回归损失；
根据所述各轮廓点的回归损失，和所述各非轮廓关键点的回归损失，确定所述样本图像的当前输出损失。
根据本公开的一个或多个实施例，【示例六】提供了一种关键点的损失确定方法，还包括：
在一些可选的实现方式中，在所述确定所述样本图像的当前输出损失之后，还包括：
循环根据所述当前输出损失对关键点的预测模型进行参数调整，并根据参数调整后的预测模型输出所述各关键点的新的预测位置，直至所述当前回归损失小于第二预设阈值时为止。
根据本公开的一个或多个实施例，【示例七】提供了一种关键点的损失确定方法，还包括：
在一些可选的实现方式中，所述关键点为人脸关键点。
根据本公开的一个或多个实施例，【示例八】提供了一种关键点的预测方法，包括：
将待预测图像输入预测模型；
根据所述预测模型输出所述待预测图像中各关键点的预测位置；
其中，所述预测模型在训练过程中，各轮廓关键点的回归损失基于各轮廓点的真实位置、预测位置以及损失权重确定；各所述损失权重基于各所述轮廓点的预测位置距离对应连线确定；所述对应连线为所述各轮廓关键点的真实位置，与对应的相邻关键点的真实位置的连线。
根据本公开的一个或多个实施例，【示例九】提供了一种关键点的损失确定装置，包括：
连线模块，用于将样本图像中各轮廓关键点的真实位置，与对应的相邻关键点的真实位置进行连线；
权重确定模块，用于根据所述各轮廓关键点的预测位置距对应连线的距离，确定所述各轮廓关键点的损失权重；
损失确定模块，用于根据所述各轮廓关键点的真实位置、预测位置以及损失权重，确定所述各轮廓关键点的回归损失。
根据本公开的一个或多个实施例，【示例十】提供了一种关键点的预测装置，包括：
输入模块，用于将待预测图像输入预测模型；
输出模块，用于根据所述预测模型输出所述待预测图像中各关键点的预测位置；
其中，所述预测模型在训练过程中，各轮廓关键点的回归损失基于各轮廓点的真实位置、预测位置以及损失权重确定；各所述损失权重基于各所述轮廓点的预测位置距离对应连线确定；所述对应连线为所述各轮廓关键点的真实位置，与对应的相邻关键点的真实位置的连线。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (12)

1.一种关键点的损失确定方法，其特征在于，包括：
将样本图像中各轮廓关键点的真实位置，与对应的相邻关键点的真实位置进行连线；
根据所述各轮廓关键点的预测位置距对应连线的距离，确定所述各轮廓关键点的损失权重；
根据所述各轮廓关键点的真实位置、预测位置以及损失权重，确定所述各轮廓关键点的回归损失。
2.根据权利要求1所述的方法，其特征在于，所述根据所述各轮廓关键点的预测位置距对应连线的距离，确定所述各轮廓关键点的损失权重，包括：
将所述各轮廓关键点的预测位置距对应连线的距离，作为所述各轮廓关键点的损失权重；或者，
根据所述各轮廓关键点的预测位置距对应连线的距离，对所述各轮廓关键点进行分类，并根据分类结果确定所述各轮廓关键点的损失权重。
3.根据权利要求2所述的方法，其特征在于，所述根据所述各轮廓关键点的预测位置距对应连线的距离，对所述各轮廓关键点进行分类，并根据分类结果确定所述各轮廓关键点的损失权重，包括：
若当前轮廓关键点的预测位置距对应连线的距离小于第一预设阈值，则将所述当前轮廓关键点作为第一类关键点；
若当前轮廓关键点的预测位置距对应连线的距离大于等于所述第一预设阈值，则将所述当前轮廓关键点作为第二类关键点；
设置所述第一类关键点的损失权重小于所述第二类关键点的损失权重。
4.根据权利要求1所述的方法，其特征在于，所述将样本图像中各轮廓关键点的真实位置，与对应的相邻关键点的真实位置进行连线，包括：
根据所述各轮廓关键点的预设序号，将样本图像中各轮廓关键点的真实位置，与对应的相邻序号的关键点的真实位置进行连线。
5.根据权利要求1所述的方法，其特征在于，还包括：
将所述样本图像中的各非轮廓关键点的损失权重设置为预设权重；
根据所述各非轮廓关键点的真实位置、预测位置以及预设权重，确定所述各非轮廓点的回归损失；
根据所述各轮廓点的回归损失，和所述各非轮廓关键点的回归损失，确定所述样本图像的当前输出损失。
6.根据权利要求5所述的方法，其特征在于，在所述确定所述样本图像的当前输出损失之后，还包括：
循环根据所述当前输出损失对关键点的预测模型进行参数调整，并根据参数调整后的预测模型输出所述各关键点的新的预测位置，直至所述当前回归损失小于第二预设阈值时为止。
7.根据权利要求1-6中任一所述的方法，其特征在于，所述关键点为人脸关键点。
8.一种关键点的预测方法，其特征在于，包括：
将待预测图像输入预测模型；
根据所述预测模型输出所述待预测图像中各关键点的预测位置；
其中，所述预测模型在训练过程中，各轮廓关键点的回归损失基于各轮廓点的真实位置、预测位置以及损失权重确定；各所述损失权重基于各所述轮廓点的预测位置距离对应连线确定；所述对应连线为所述各轮廓关键点的真实位置，与对应的相邻关键点的真实位置的连线。
9.一种关键点的损失确定装置，其特征在于，包括：
连线模块，用于将样本图像中各轮廓关键点的真实位置，与对应的相邻关键点的真实位置进行连线；
权重确定模块，用于根据所述各轮廓关键点的预测位置距对应连线的距离，确定所述各轮廓关键点的损失权重；
损失确定模块，用于根据所述各轮廓关键点的真实位置、预测位置以及损失权重，确定所述各轮廓关键点的回归损失。
10.一种关键点的预测装置，其特征在于，包括：
输入模块，用于将待预测图像输入预测模型；
输出模块，用于根据所述预测模型输出所述待预测图像中各关键点的预测位置；
其中，所述预测模型在训练过程中，各轮廓关键点的回归损失基于各轮廓点的真实位置、预测位置以及损失权重确定；各所述损失权重基于各所述轮廓点的预测位置距离对应连线确定；所述对应连线为所述各轮廓关键点的真实位置，与对应的相邻关键点的真实位置的连线。
11.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的关键点的损失确定方法，或如权利要求8所述的关键点的预测方法。
12.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的关键点的损失确定方法，或如权利要求8所述的关键点的预测方法。
CN202210750454.5A 2022-06-28 2022-06-28 关键点的损失确定及预测方法、装置、电子设备及介质 Pending CN117351228A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210750454.5A CN117351228A (zh) 2022-06-28 2022-06-28 关键点的损失确定及预测方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210750454.5A CN117351228A (zh) 2022-06-28 2022-06-28 关键点的损失确定及预测方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN117351228A true CN117351228A (zh) 2024-01-05

Family

ID=89356228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210750454.5A Pending CN117351228A (zh) 2022-06-28 2022-06-28 关键点的损失确定及预测方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN117351228A (zh)

Similar Documents

Publication Publication Date Title
CN111476309B (zh) 图像处理方法、模型训练方法、装置、设备及可读介质
CN110084317B (zh) 用于识别图像的方法和装置
CN111738316B (zh) 零样本学习的图像分类方法、装置及电子设备
CN110555861B (zh) 光流计算方法、装置及电子设备
CN110069997B (zh) 场景分类方法、装置及电子设备
CN113140012B (zh) 图像处理方法、装置、介质及电子设备
CN112241761B (zh) 模型训练方法、装置和电子设备
CN112380883B (zh) 模型训练方法、机器翻译方法、装置、设备及存储介质
CN110619602B (zh) 一种图像生成方法、装置、电子设备及存储介质
CN111949837A (zh) 信息处理方法、装置、电子设备以及存储介质
CN111680754B (zh) 图像分类方法、装置、电子设备及计算机可读存储介质
CN113222050B (zh) 图像分类方法、装置、可读介质及电子设备
CN112036519B (zh) 基于多位sigmoid的分类处理方法、装置及电子设备
WO2022105622A1 (zh) 图像分割方法、装置、可读介质及电子设备
CN116092092A (zh) 匹配方法、装置、介质及电子设备
CN117351228A (zh) 关键点的损失确定及预测方法、装置、电子设备及介质
CN114004229A (zh) 文本识别方法、装置、可读介质及电子设备
CN110969189B (zh) 人脸检测方法、装置及电子设备
CN111143346A (zh) 标签组的差异性确定方法、装置、电子设备及可读介质
CN113345426B (zh) 一种语音意图识别方法、装置及可读存储介质
CN112561778B (zh) 图像风格化处理方法、装置、设备及存储介质
CN112418233B (zh) 图像处理方法、装置、可读介质及电子设备
CN114359673B (zh) 基于度量学习的小样本烟雾检测方法、装置和设备
CN113283115B (zh) 图像模型生成方法、装置和电子设备
CN112070163B (zh) 图像分割模型训练和图像分割方法、装置、设备

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