[发明专利]一种结合迁移学习的轻量级CNN口罩人脸姿态分类方法

权利要求书

1.一种结合迁移学习的轻量级CNN口罩人脸姿态分类方法，其特征在于,包括以下步骤：

(1)构建真实口罩人脸姿态数据集和半仿真口罩人脸姿态数据集，并将真实口罩人脸姿态数据集划分训练集和测试集；

(2)构建轻量级卷积神经网络模型；所述网络模型包括2个改进的深度可分离卷积模块、3个标准深度可分离卷积模块、5个改进的SE注意力模块、5个自适应最大值池化层、1个GAP层及1个1×1点卷积层；

(3)采用步骤(1)中的半仿真数据集对步骤(2)构建的网络模型进行预训练，得到预训练的轻量级卷积神经网络模型；

(4)将经过步骤(3)获取的网络模型迁移至步骤(1)中的口罩人脸姿态训练集，以更低的学习率和更少的迭代次数进行模型再训练，训练得到最终的轻量级卷积神经网络模型；

(5)将待测试的人脸姿态图像输入步骤(4)获取的网络模型，得到相应姿态的概率输出，从而估计出人脸姿态。

2.根据权利要求1所述的结合迁移学习的轻量级CNN口罩人脸姿态分类方法，其特征在于，步骤(1)所述的口罩人脸姿态包括Yaw方向上的7个姿态类别，分别为Yaw方向上-67°、-45°、-22°、0°、+22°、+45°、+67°。

3.根据权利要求1所述的结合迁移学习的轻量级CNN口罩人脸姿态分类方法，其特征在于，步骤(2)所述的改进深度可分离卷积模块为将深度卷积和点卷积之间的ReLU函数替换为Linear函数。

4.根据权利要求1所述的结合迁移学习的轻量级CNN口罩人脸姿态分类方法，其特征在于，步骤(2)所述的改进的SE注意力模块工作过程如下：利用全局均值池化、全局最大值池化来压缩通道特征图，将压缩后的两个向量送入由两层全连接层组成的bottleneck结构的子网络进行激励操作，获得调整权重，其中两层全连接层之间的激活函数为ReLU函数；将激励后的值送入sigmoid激活函数中得到注意力权重，公式如下：

s_c＝σ(W₂ReLU(W₁z₁)+W₂ReLU(W₁z₂))

＝σ(W₂ReLU(W₁Maxpool(F))+W₂ReLU(W₁Avgpool(F))) (1)

其中，C为通道数，r为bottleneck结构的缩放系数，σ为sigmoid激活函数，F为输入的特征图，s_c为调整后的权值。

5.根据权利要求1所述的结合迁移学习的轻量级CNN口罩人脸姿态分类方法，其特征在于，步骤(2)所述的2个改进的深度可分离卷积模块中，第1个改进的深度可分离卷积模块中的深度卷积为3×3×3，点卷积为12×1×1；第2个改进的深度可分离卷积模块中的深度卷积为12×3×3，点卷积为32×1×1，自适应最大值池化层为32×32。

6.根据权利要求1所述的结合迁移学习的轻量级CNN口罩人脸姿态分类方法，其特征在于，步骤(2)所述的3个标准深度可分离卷积模块中，第1个标准深度可分离卷积模块中的深度卷积为32×3×3，点卷积为64×1×1，自适应最大值池化层为16×16；第2个标准深度可分离卷积模块中的深度卷积为64×3×3，点卷积为256×1×1，自适应最大值池化层为8×8；第3个标准深度可分离卷积模块中的深度卷积为256×3×3，点卷积为512×1×1，自适应最大值池化层为4×4。