[发明专利]一种训练色斑检测模型的方法及相关装置在审
申请号: | 202011496189.X | 申请日: | 2020-12-17 |
公开(公告)号: | CN112614140A | 公开(公告)日: | 2021-04-06 |
发明(设计)人: | 陈仿雄 | 申请(专利权)人: | 深圳数联天下智能科技有限公司 |
主分类号: | G06T7/11 | 分类号: | G06T7/11;G06T7/73;G06N3/04;G06N3/08;G06K9/00 |
代理公司: | 深圳市六加知识产权代理有限公司 44372 | 代理人: | 孟丽平 |
地址: | 518000 广东省深圳市南山区粤海街道高*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 训练 检测 模型 方法 相关 装置 | ||
1.一种训练色斑检测模型的方法,其特征在于,包括:
获取包括人脸的图像样本集;
从所述图像样本集中的每个图像中,分别截取可能存在色斑的至少一个脸部局域图像,以得到多个候选区域图像;
对各候选区域图像进行分辨率增强处理和尺寸调整,以获取尺寸一致的多个训练图像,其中,所述训练图像的分辨率高于所述候选区域图像的分辨率;
将标注有真实标签的多个训练图像作为训练集,对预设卷积神经网络进行训练,以使所述预设卷积神经网络学习所述多个训练图像的真实标签,以获取色斑检测模型,其中,目标训练图像的真实标签包括所述目标训练图像中的色斑在所述目标训练图像中的真实位置、真实类别以及真实数量,所述目标训练图像为所述多个训练图像中的任一训练图像。
2.根据权利要求1所述的方法,其特征在于,所述预设卷积神经网络包括特征提取模块、色斑目标检测模块和色斑数量检测模块,所述将所述标注有真实标签的多个训练图像作为训练集,对预设卷积神经网络进行训练,以使所述预设卷积神经网络学习所述多个训练图像的真实标签,以获取色斑检测模型,包括:
将所述目标训练图像输入所述特征提取模块,以获取至少两种尺寸的训练特征图;
将所述训练特征图分成两路,以获取第一路训练特征图和第二路训练特征图;
将所述第一路训练特征图输入所述色斑目标检测模块,以获取所述目标训练图像中的色斑的预测位置和预测类别;
将所述第二路训练特征图输入所述色斑数量检测模块,以获取所述目标训练图像中的色斑的预测数量;
根据预设损失函数计算所述目标训练图像的预测标签与所述目标训练图像的真实标签之间的误差,其中,所述预测标签包括所述预测位置、预测类别和所述预测数量;
根据所述误差,调整所述预设卷积神经网络的模型参数,返回执行将所述目标训练图像输入所述特征提取模块,以获取至少两种尺寸的训练特征图的步骤,直至所述预设卷积神经网络收敛,以获取所述色斑检测模型。
3.根据权利要求2所述的方法,其特在于,所述特征提取模块包括多个特征卷积层,所述多个特征卷积层的卷积核个数随着特征卷积层的层数的增加呈先增大后减小的趋势。
4.根据权利要求3所述的方法,其特征在于,所述多个特征卷积层包括目标特征卷积层,所述目标特征卷积层的卷积核个数为所述色斑的类别的个数,所述目标特征卷积层为与所述色素斑目标检测模块连接的特征卷积层,用于输出所述训练特征图。
5.根据权利要求2所述的方法,其特征在于,所述预设损失函数为位置损失函数、类别损失函数和数量损失函数的加权和,所述位置损失函数用于计算所述真实位置与所述预测位置之间的误差,所述类别损失函数用于计算所述真实类别与所述预测类别之间的误差,所述数量损失函数用于计算所述真实数量与所述预测数量之间的误差。
6.根据权利要求5所述的方法,其特征在于,所述根据预设损失函数计算所述目标训练图像的预测标签与所述目标训练图像的真实标签之间的误差,包括:
根据以下公式计算所述预测标签和所述真实标签之间的误差:
其中,λobj为预设位置偏移权重,α为置信度损失权重,β为数量权重,M为预设的用于预测色斑位置的预测框的数量,i为预测框的标号,Twidth为所述预测框的宽,Theight为所述预测框的高,(x,y,w,h)分别为所述预测框的左上角坐标和宽、高,Tr用于表示色斑的真实位置,Pr用于表示所述色斑的预测位置,K为所述色斑的类别的个数,Tclass为所述色斑的真实类别,Pclass为所述色斑的预测类别,Tconf为所述真实标签的置信度,Pconf为所述预测标签的置信度,为K类色斑中第c类色斑的真实数量,为所述K类色斑中第c类色斑的预测数量。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳数联天下智能科技有限公司,未经深圳数联天下智能科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011496189.X/1.html,转载请声明来源钻瓜专利网。