[发明专利]一种人脸检测器训练方法、装置及电子设备

权利要求书

1.一种人脸检测器训练方法，其特征在于，包括：

获取当前次迭代的批数据训练样本，所述批数据训练样本包括多个训练样本，所述多个训练样本的样本类包括：正类和负类；

分别根据各训练样本的特征向量，及各训练样本所属的样本类的中心特征向量，确定各训练样本对应的中心损失值；

根据所述各训练样本对应的中心损失值，确定所述批数据训练样本对应的中心损失值；

至少根据所述批数据训练样本对应的中心损失值，确定人脸检测器的目标损失值；

若所述人脸检测器的目标损失值未达到设定的训练收敛条件，根据所述人脸检测器的目标损失值，更新卷积神经网络CNN模型的网络参数，并进入下一次迭代；

若所述人脸检测器的目标损失值达到设定的训练收敛条件，输出人脸检测器。

2.根据权利要求1所述的人脸检测器训练方法，其特征在于，所述至少根据所述批数据训练样本对应的中心损失值，确定人脸检测器的目标损失值包括：

根据所述批数据训练样本对应的中心损失值，所述批数据训练样本对应的分类损失值，以及所述批数据训练样本对应的人脸框坐标回归损失值确定人脸检测器的目标损失值。

3.根据权利要求2所述的人脸检测器训练方法，其特征在于，所述根据所述批数据训练样本对应的中心损失值，所述批数据训练样本对应的分类损失值，以及所述批数据训练样本对应的人脸框坐标回归损失值确定人脸检测器的目标损失值包括：

将所述批数据训练样本对应的中心损失值和第一设定权重的乘积，所述批数据训练样本对应的人脸框坐标回归损失值和第二设定权重的乘积，及，所述批数据训练样本对应的分类损失值进行求和，得到人脸检测器的目标损失值。

4.根据权利要求1所述的人脸检测器训练方法，其特征在于，所述获取当前次迭代的批数据训练样本包括：

以上一次迭代的CNN模型确定训练样本集合中各训练样本对应的目标损失值；

根据训练样本集合中正类的样本类中各训练样本的目标损失值，选取正类的样本类中目标损失值最大的第一数量的训练样本；及根据训练样本集合中负类的样本类中各训练样本的目标损失值，选取负类的样本类中目标损失值最大的第二数量的训练样本，所述第一数量和所述第二数量的比值与设定比例相应；

根据从正类的样本类中选取的训练样本，和从负类的样本类中选取的训练样本，构成当前次迭代的批数据训练样本。

5.根据权利要求4所述的人脸检测器训练方法，其特征在于，所述以上一次迭代的CNN模型确定训练样本集合中各训练样本对应的目标损失值包括：

以上一次迭代的CNN模型，获取训练样本集合中各训练样本对应的中心损失值，分类损失值和人脸框坐标回归损失值；其中，一训练样本对应的分类损失值根据该训练样本对应的分类预测概率和分类目标概率确定，一训练样本对应的人脸框坐标回归损失值根据该训练样本对应的人脸框预测坐标和人脸框目标坐标确定；

分别根据训练样本集合中各训练样本对应的中心损失值，分类损失值和人脸框坐标回归损失值，确定训练样本集合中各训练样本的目标损失值。

6.根据权利要求2所述的人脸检测器训练方法，其特征在于，所述批数据训练样本对应的分类损失值的确定过程包括：

分别根据所述批数据训练样本中各训练样本对应的分类预测概率和分类目标概率，确定所述批数据训练样本中各训练样本对应的分类损失值；

根据所述批数据训练样本中各训练样本对应的分类损失值，确定所述批数据训练样本对应的分类损失值。

7.根据权利要求2所述的人脸检测器训练方法，其特征在于，所述批数据训练样本对应的人脸框坐标回归损失值的确定过程包括：

确定所述批数据训练样本中各训练样本对应的人脸框预测坐标；

分别根据各训练样本对应的人脸框预测坐标，以及各训练样本对应的人脸框目标坐标，确定各训练样本对应的人脸框坐标回归损失值；

根据各训练样本对应的人脸框坐标回归损失值，确定所述批数据训练样本对应的人脸框坐标回归损失值。