[发明专利]一种针对小样本的端到端面部腧穴定位方法及电子设备

权利要求书

1.一种针对小样本的端到端面部腧穴定位方法，其特征在于，包括以下步骤：

给定一张人脸图片，将图片输入已训练的端到端面部腧穴定位模型，得到面部腧穴热图及其对应的腧穴坐标；

其中，所述端到端面部腧穴定位模型包括以下训练过程：

S1：构建面部腧穴智能定位任务数据集；

S2：搭建基于深度神经网络的端到端面部腧穴定位模型；

S3：通过图像重建任务对所述端到端面部腧穴定位模型进行非监督自编码模型预训练；

S4：通过所述面部腧穴智能定位任务数据集对预训练后的所述端到端面部腧穴定位模型进行监督学习训练；

S5：获取监督学习训练后的所述端到端面部腧穴定位模型并在测试数据集上进行评估，计算预测坐标与真实坐标之间的NME数值和/或AUC数值，当所述NME数值小于第一预设值和/或所述AUC数值大于第二预设值后，输出监督学习训练后的所述端到端面部腧穴定位模型；否则进入步骤S4继续训练；

所述端到端面部腧穴定位模型包括图像特征编码模块、共享图像重建生成模块以及特征交叉传输模块；

所述图像特征编码模块包括编码器，所述编码器采用ResNet网络模型；

所述共享图像重建生成模块包括生成器以及隐性空间鉴别器，所述生成器采用逆ResNet网络模型，所述生成器包括多个逆残差模块；所述隐性空间鉴别器包括多个全连接层，且每个所述全连接层设有多个神经元；

所述特征交叉传输模块包括多个交叉传输层，所述交叉传输层包括卷积模块及通道和空间注意力机制模块；所述交叉传输层的数量与所述逆残差模块一致，且所述交叉传输层与所述共享图像重建生成模块的生成器中的逆残差模块交叉设置。

2.根据权利要求1所述的一种针对小样本的端到端面部腧穴定位方法，其特征在于，所述步骤S3包括：

S31：选取公开的人脸数据集作为图像重建任务的训练样本；

S32：设定训练参数，并通过重建人脸图像任务对所述端到端面部腧穴定位模型的所述图像特征编码模块以及所述共享图像重建生成模块进行预训练；

所述训练参数包括训练迭代次数、编码器输入图像尺寸、生成器输出图像尺寸、批次训练量以及学习速率。

3.根据权利要求2所述的一种针对小样本的端到端面部腧穴定位方法，其特征在于，所述步骤S32中人脸图像重建过程的损失函数表达式为：

，

其中，为人脸图像重建过程中的损失函数，为编码器，为生成器，为真假图片鉴别器，为隐性空间鉴别器，为重构损失、为结构图像损失、为编码特征损失、为对抗特征损失，分别为的权重。

4.根据权利要求1所述的一种针对小样本的端到端面部腧穴定位方法，其特征在于，所述步骤S4是通过所述面部腧穴智能定位任务数据集以及所述模型参数对所述端到端面部腧穴定位模型进行模型训练；所述模型训练的损失函数为：

，

其中，为给定图像，为监督学习训练时的损失函数，是第一层逆ResNet层后经过激活函数处理的结果，为面部腧穴热图的真实值，为交叉传输层运算。

5.根据权利要求4所述的一种针对小样本的端到端面部腧穴定位方法，其特征在于，所述面部腧穴的位置表达式为：

，

为预测的面部腧穴热图，为第个面部腧穴的预测坐标，分别为所述预测的面部腧穴热图的横坐标和纵坐标。

6.根据权利要求4所述的一种针对小样本的端到端面部腧穴定位方法，其特征在于，所述步骤S3和所述步骤S4还包括数据扩充过程；

所述数据扩充过程包括但不限于对训练数据中的图片进行随机水平翻转、平移、旋转及剪裁。