[发明专利]人脸检测小模型优化训练方法、人脸检测方法及计算机系统

说明书

本发明提供一种人脸检测小模型优化训练方法、人脸检测方法及计算机系统。其中的人脸检测小模型优化训练方法包括：初始化训练集；使用训练集中离散型标注的人脸数据训练第一人脸检测模型；基于第一人脸检测模型，预测所述训练集中标注的人脸的置信度；基于上述预测得到人脸的置信度，重新标注所述训练集中的人脸；基于转换后的连续型标注的人脸数据，训练得到第二人脸检测模型。本发明通过大模型生成训练集的连续型标签来优化小模型的训练数据，从而优化小模型的训练。

技术领域

本发明涉及图像处理中的人脸检测模型技术领域，具体而言涉及一种基于连续型标签生成的人脸检测小模型优化训练方法与人脸检测识别方法。

背景技术

现有人脸检测的模型训练过程中，通常把人脸标注为1，把其他背景标注为0，通过监督学习的方式去训练模型，让模型通过训练能检测出图片中人脸存在的位置。但是在实际训练和检测情况下，因为遮挡、光照、角度、偏转等因素，人脸的可检测的难易程度是不一样的。对于模型鲁棒性、泛化能力较好的大模型，这种离散的标注对模型训练的影响不是很大，但是对于鲁棒性和泛化能力较弱的小模型，这种离散的标注非常不利于模型的训练。所以，在一些小模型的训练中，常采用的就是通过人为的去除这些较难的人脸，再去训练模型，但这样的处理一是依赖于经验，另一方面效率低下，这种离散型标注方法难以区分训练集中所标注的人脸的可检测的难易程度。

发明内容

本发明目的在于提供一种基于连续型标签生成的人脸检测小模型优化训练方法，解决现有技术的离散型标注方法难以区分训练集中所标注的人脸的可检测的难易程度的问题。

为实现上述目的，本发明所采用的技术方案如下：

一种基于连续型标签生成的人脸检测小模型优化训练方法，包括：

初始化训练集，所述训练集中包括离散型标注的人脸数据，所述离散型标注为离散型标注的人脸位置标签；

使用训练集中离散型标注的人脸数据训练第一人脸检测模型；

基于第一人脸检测模型，预测所述训练集中标注的人脸的置信度；

基于上述预测得到人脸的置信度，重新标注所述训练集中的人脸，将所述训练集中离散型标注的人脸数据转换为连续型标注的人脸数据；

基于转换后的连续型标注的人脸数据，训练人脸检测模型，得到基于连续型人脸标注第二人脸检测模型。

根据本发明公开的第二方面，还提出一种基于连续型标签生成的人脸检测小模型优化训练装置，包括：

用于初始化训练集的模块，所述训练集中包括离散型标注的人脸数据，所述离散型标注为离散型标注的人脸位置标签；

用于使用训练集中离散型标注的人脸数据训练第一人脸检测模型的模块；

用于基于第一人脸检测模型，预测所述训练集中标注的人脸的置信度的模块；

用于基于上述预测得到人脸的置信度，重新标注所述训练集中的人脸，将所述训练集中离散型标注的人脸数据转换为连续型标注的人脸数据的模块；

用于基于转换后的连续型标注的人脸数据，训练人脸检测模型，得到基于连续型人脸标注第二人脸检测模型的模块。

根据本发明公开的第三方面，还提出一种计算机系统，包括：

一个或多个处理器；

存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：

初始化训练集，所述训练集中包括离散型标注的人脸数据，所述离散型标注为离散型标注的人脸位置标签；

使用训练集中离散型标注的人脸数据训练第一人脸检测模型；