[发明专利]目标图像的关键点检测方法、装置、电子设备及存储介质

说明书

本发明公开了一种目标图像的关键点检测方法、装置、电子设备及存储介质，本发明蒸馏学习过程中，根据标志函数确定第一网络中正确样本对应的正确预测分布，并根据正确预测分布对第二网络进行蒸馏学习，并对第二网络进行剪枝处理，得到模型参数更少的第二网络模型作为关键点检测模型，提升了关键点检测模型的计算速度和检测效率，降低了对终端的计算能力要求；另外通过标志函数能够让第二网络针对第一网络中正确样本对应的预测结果进行知识蒸馏，而无需花费其他计算负载来对错误样本的预测过程进行知识蒸馏，进一步提升了关键点检测模型的计算速度并降低了对终端的计算能力要求,可广泛应用于计算机视觉技术领域。

技术领域

本发明涉及计算机视觉技术领域，尤其是一种目标图像的关键点检测方法、装置、电子设备及存储介质。

背景技术

目标图像的关键点检测是指从给定图像中检测出若干个关键点，以便对目标图像进一步分析处理，以人脸图像为例，人脸图像中检测诸如有眼球中心、眼角、鼻尖、嘴角、人脸轮廓等部位的关键点，人脸关键点的准确检测对于人脸识别的应用具有决定性影响。经过人工智能技术的不断发展，目前基于深度学习的关键点检测技术也愈发成熟，目前基于深度学习的关键点检测技术均需要在检测之前训练得到关键点检测模型，然后通过该模型进行关键点检测。

随着关键点检测场景的不断丰富，越来越多的关键点检测过程需要在不同终端上实现，例如在计算机设备、智能家居设备、智能监控设备等终端上实现人脸关键点检测，进而实现人脸识别等。但是，由于关键点检测涉及模型训练等高运算量的过程，相关技术为了追求检测精度而提高深度学习训练量，过高的模型训练运算量会影响终端的设备性能，导致终端负载过大。因此，如何提升终端的关键点检测效率，降低终端的负载以及部署成本，成为亟待解决的问题。

发明内容

有鉴于此，本发明实施例提供一种目标图像的关键点检测方法、装置、电子设备及存储介质，以提高终端中目标图像的关键点检测效率，降低部署模型的终端的负载压力。

本发明的一方面提供了一种目标图像的关键点检测方法，包括：

获取训练数据；

将所述训练数据输入第一网络训练得到第一网络模型；

将所述训练数据输入第二网络，根据所述第一网络模型对所述第二网络进行蒸馏学习，在所述蒸馏学习的同时对所述第二网络进行剪枝处理，得到关键点检测模型，其中，所述蒸馏学习中的知识蒸馏损失函数包括标志函数，所述标志函数用于标志所述训练数据中的正确样本和错误样本；

将待检测的目标图像输入所述关键点检测模型，得到所述目标图像中的关键点。

本发明另一方面提供了一种目标图像的关键点检测装置，包括：

获取模块，用于获取训练数据；

第一训练模块，用于将所述训练数据输入第一网络训练得到第一网络模型；

第二训练模块，用于将所述训练数据输入第二网络，根据所述第一网络模型对所述第二网络进行蒸馏学习，在所述蒸馏学习的同时对所述第二网络进行剪枝处理，得到关键点检测模型，其中，所述蒸馏学习中的知识蒸馏损失函数包括标志函数，所述标志函数用于标志所述训练数据中的正确样本和错误样本；

检测模块，用于将待检测的目标图像输入所述关键点检测模型，得到所述目标图像中的关键点。

本发明另一方面还提供了一种电子设备，包括处理器以及存储器；

所述存储器用于存储程序；

所述处理器执行所述程序实现如前面所述的方法。

本发明另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。