模型生成方法和装置与流程

本公开的实施例涉及计算机技术领域，具体涉及人工智能技术领域，尤其涉及模型生成方法和装置。

背景技术：

随着人工智能技术的发展，深度神经网络在许多领域取得了重要的成果。例如在目标识别、姿态识别、目标跟踪等涉及关键点检测的任务中，深度神经网络可以达到较高的检测精度。

深度神经网络在训练中，通常基于训练目标人工构建损失函数来监督网络参数的迭代更新。在涉及目标对象的关键点检测的任务中，损失函数中的参数可以根据经验设定。例如，在关键点检测任务中，目标对象的关键点数量较多，深度神经网络的性能通常基于所有关键点的检测精度来综合评价。然而，由于关键点检测任务中神经网络需要同时学习不同位置的关键点，根据经验设定的损失函数与各位置的关键点的学习难度可能不匹配，由此导致深度神经网络难以收敛，或者难以达到良好的性能。

技术实现要素：

本公开的实施例提出了模型生成方法和装置、电子设备和计算机可读介质。

第一方面，本公开的实施例提供了一种模型生成方法，包括：通过依次执行多次迭代操作生成用于检测目标对象的关键点的神经网络模型；其中，迭代操作包括：基于当前的奖励反馈值，在预设的损失函数搜索空间内确定出预设的神经网络模型的当前损失函数，其中，当前损失函数包括在当前迭代操作中预设的神经网络模型对目标对象的各待检测关键点的检测误差；基于当前损失函数对预设的神经网络模型进行训练，并根据训练后的神经网络模型的性能更新奖励反馈值；响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值，基于当前迭代操作中训练后的神经网络模型生成用于检测目标对象的关键点的神经网络模型。

在一些实施例中，上述预设的损失函数搜索空间包括待检测关键点的热力图的尺寸参数的搜索空间，热力图中的像素值表征待检测关键点落在对应像素位置的置信度；上述在预设的损失函数搜索空间内确定出预设的神经网络模型的当前损失函数，包括：在待检测关键点的热力图的尺寸参数的搜索空间中分别确定出各待检测关键点的热力图的当前尺寸参数，基于各待检测关键点的热力图的当前尺寸参数构建当前损失函数。

在一些实施例中，上述待检测关键点的热力图的尺寸参数的搜索空间包括第一搜索空间，第一搜索空间包括待检测关键点的圆形热力图的半径搜索空间；上述在待检测关键点的热力图的尺寸参数的搜索空间中分别确定出各待检测关键点的热力图的当前尺寸参数，包括：响应于确定奖励反馈值未达到与第一搜索空间对应的收敛条件，基于当前的奖励反馈值，在第一搜索空间内分别确定出各待检测关键点的圆形热力图的当前半径。

在一些实施例中，上述待检测关键点的热力图的尺寸参数的搜索空间还包括第二搜索空间，第二搜索空间包括非圆形热力图的尺寸参数的搜索空间；以及上述在待检测关键点的热力图的尺寸参数的搜索空间中分别确定出各待检测关键点的热力图的当前尺寸参数，还包括：响应于确定奖励反馈值达到与第一搜索空间对应的收敛条件，基于当前的奖励反馈值，在第二搜索空间内分别确定出各待检测关键点的非圆形热力图的当前尺寸参数。

在一些实施例中，上述非圆形热力图包括椭圆形热力图，非圆形热力图的尺寸参数包括椭圆形热力图的长短轴半径；以及上述在第二搜索空间内分别确定出各待检测关键点的非圆形热力图的当前尺寸参数，包括：将奖励反馈值达到与第一搜索空间对应的收敛条件时的迭代操作中确定出的各待检测关键点的圆形热力图的半径作为各待检测关键点的圆形热力图的最优半径；基于各待检测关键点的圆形热力图的最优半径分别确定各待检测关键点的椭圆热力图的长短轴半径的搜索范围；基于当前奖励反馈值，在各待检测关键点的椭圆热力图的长短轴半径的搜索范围内分别确定出各待检测关键点的椭圆热力图的当前长短轴半径。

在一些实施例中，上述与第一搜索空间对应的收敛条件包括奖励反馈值在最近的预设次迭代操作中的变化率不超过预设的变化率阈值。

第二方面，本公开的实施例提供了一种模型生成装置，包括：生成单元，被配置为通过依次执行多次迭代操作生成用于检测目标对象的关键点的神经网络模型；其中，迭代操作包括：基于当前的奖励反馈值，在预设的损失函数搜索空间内确定出预设的神经网络模型的当前损失函数，其中，当前损失函数包括在当前迭代操作中预设的神经网络模型对目标对象的各待检测关键点的检测误差；基于当前损失函数对预设的神经网络模型进行训练，并根据训练后的神经网络模型的性能更新奖励反馈值；响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值，基于当前迭代操作中训练后的神经网络模型生成用于检测目标对象的关键点的神经网络模型。

在一些实施例中，上述预设的损失函数搜索空间包括待检测关键点的热力图的尺寸参数的搜索空间，热力图中的像素值表征待检测关键点落在对应像素位置的置信度；生成单元被配置为按照如下方式执行在预设的损失函数搜索空间内确定出预设的神经网络模型的当前损失函数的操作：在待检测关键点的热力图的尺寸参数的搜索空间中分别确定出各待检测关键点的热力图的当前尺寸参数，基于各待检测关键点的热力图的当前尺寸参数构建当前损失函数。

在一些实施例中，上述待检测关键点的热力图的尺寸参数的搜索空间包括第一搜索空间，第一搜索空间包括待检测关键点的圆形热力图的半径搜索空间；生成单元被配置为按照如下方式在待检测关键点的热力图的尺寸参数的搜索空间中分别确定出各待检测关键点的热力图的当前尺寸参数：响应于确定奖励反馈值未达到与第一搜索空间对应的收敛条件，基于当前的奖励反馈值，在第一搜索空间内分别确定出各待检测关键点的圆形热力图的当前半径。

在一些实施例中，上述待检测关键点的热力图的尺寸参数的搜索空间还包括第二搜索空间，第二搜索空间包括非圆形热力图的尺寸参数的搜索空间；以及生成单元还被配置为按照如下方式在待检测关键点的热力图的尺寸参数的搜索空间中分别确定出各待检测关键点的热力图的当前尺寸参数：响应于确定奖励反馈值达到与第一搜索空间对应的收敛条件，基于当前的奖励反馈值，在第二搜索空间内分别确定出各待检测关键点的非圆形热力图的当前尺寸参数。

在一些实施例中，上述非圆形热力图包括椭圆形热力图，非圆形热力图的尺寸参数包括椭圆形热力图的长短轴半径；以及生成单元还被配置为按照如下方式执行在第二搜索空间内分别确定出各待检测关键点的非圆形热力图的当前尺寸参数的操作：将奖励反馈值达到与第一搜索空间对应的收敛条件时的迭代操作中确定出的各待检测关键点的圆形热力图的半径作为各待检测关键点的圆形热力图的最优半径；基于各待检测关键点的圆形热力图的最优半径分别确定各待检测关键点的椭圆热力图的长短轴半径的搜索范围；基于当前奖励反馈值，在各待检测关键点的椭圆热力图的长短轴半径的搜索范围内分别确定出各待检测关键点的椭圆热力图的当前长短轴半径。

在一些实施例中，上述与第一搜索空间对应的收敛条件包括奖励反馈值在最近的预设次迭代操作中的变化率不超过预设的变化率阈值。

第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面提供的模型生成方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现第一方面提供的模型生成方法。

本公开的上述实施例的模型生成方法和装置，通过依次执行多次迭代操作生成用于检测目标对象的关键点的神经网络模型；其中，迭代操作包括：基于当前的奖励反馈值，在预设的损失函数搜索空间内确定出预设的神经网络模型的当前损失函数，其中，当前损失函数包括在当前迭代操作中预设的神经网络模型对目标对象的各待检测关键点的检测误差；基于当前损失函数对预设的神经网络模型进行训练，并根据训练后的神经网络模型的性能更新奖励反馈值；响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值，基于当前迭代操作中训练后的网络模型的参数生成用于检测目标对象的关键点的神经网络模型。该模型生成方法和装置能够自动搜索出用于检测目标对象的关键点的神经网络模型的最优损失函数，从而提升了用于检测目标对象的关键点的神经网络模型的训练效率，减少了训练过程所占用的内存资源，同时还能兼顾用于检测目标对象的关键点的神经网络模型的精度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的模型生成方法的一个实施例的流程图；

图3是根据本公开的模型生成方法的另一个实施例的流程图；

图4是本公开的模型生成装置的一个实施例的结构示意图；

图5是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的模型生成方法或模型生成装置的示例性系统架构100。

如图1所示，系统架构100可以包括如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以是用户端设备，其上可以安装有各种客户端应用。例如，图像处理类应用、信息分析类应用、语音助手类应用、购物类应用、金融类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是运行各种服务的服务器，例如运行基于图像或其他形式数据的目标检测、目标跟踪、或目标关键点检测等服务的服务器。服务器105可以从获取从终端设备101、102、103收集的深度学习任务数据、或者从数据库获取深度学习任务数据来构建训练样本，对用于执行深度学习任务的神经网络的模型结构进行自动搜索和优化。

服务器105还可以是为终端设备101、102、103上安装的应用提供后端支持的后端服务器。例如，服务器105可以接收终端设备101、102、103发送的待处理的数据，使用神经网络模型对数据进行处理，并将处理结果返回至终端设备101、102、103。

在实际场景中，终端设备101、102、103可以向服务器105发送与语音交互、文本分类、对话行为分类、图像识别、姿态识别、人脸关键点检测等任务相关的深度学习任务请求。服务器105上可以运行已针对相应的深度学习任务训练得到的神经网络模型，利用该神经网络模型来处理信息。

需要说明的是，本公开的实施例所提供的模型生成方法一般由服务器105执行，相应地，模型生成装置一般设置于服务器105中。

在一些场景中，服务器105可以从数据库、存储器或其他设备获取模型生成所需要的源数据(例如训练样本，未优化的神经网络等)，这时，示例性系统架构100可以不存在终端设备101、102、103和网络104。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的模型生成方法的一个实施例的流程200。该模型生成方法，包括：通过依次执行多次迭代操作生成用于检测目标对象的关键点的神经网络模型。

在本实施例中，可以预先设定迭代次数或迭代停止条件，在执行迭代操作的次数达到预先设定的迭代次数或迭代停止条件时，停止执行迭代操作，通过迭代操作后在预设的损失函数搜索空间搜索出最优的损失函数。并基于该最优的损失函数训练神经网络模型来生成用于检测目标对象的关键点的神经网络模型。

在实践中，用于检测目标对象的关键点的神经网络模型可以是用于执行与目标对象的关键点检测相关的任务的神经网络模型，例如人脸识别任务中需要检测人脸关键点、人体姿态识别任务中需要检测人体关键点，等等。则用于检测目标对象的关键点的神经网络模型可以是人脸识别模型、人体姿态识别模型，等等。

具体地，迭代操作包括以下步骤201至步骤203：

步骤201，基于当前的奖励反馈值，在预设的损失函数搜索空间内确定出预设的神经网络模型的当前损失函数。

奖励反馈值可以表征迭代操作中所获得的模型性能(诸如准确率、计算效率、所消耗的内存资源)的优劣程度。在本实施例中，以最大化奖励反馈值作为目标来执行多次迭代操作。

可以采用强化学习的方法，利用表征神经网络模型的性能的奖励奖励反馈值(reward)来引导对当前损失函数的更新。奖励反馈值的初始值可以是预设的数值，例如可以预先设定为0。在每一次迭代操作中，基于上一次迭代操作后更新的奖励反馈值来更新当前损失函数，并基于当前损失函数对模型训练，评估模型的性能后更新奖励反馈值。这样，奖励反馈值在多次迭代操作中被迭代更新。

在本实施例中，当前损失函数包括在当前迭代操作中预设的神经网络模型对目标对象的各待检测关键点的检测误差。

目标对象可以包括多个关键点，例如人体姿态检测任务中，人体包括头部关键点、颈部关键点、肩部关键点、肘部关键点、手腕关键点、膝盖关键点、脚踝关键点，等等。可以将目标对象的至少一部分关键点作为待检测关键点，并基于预设的神经网络模型对各待检测关键点的检测误差构建损失函数。其中，损失函数可以例如基于各个待检测关键点的检测误差的加权和/加权平均构建。待检测关键点的检测误差可以是预设的神经网络模型检测出的待检测关键点的位置与实际位置间的偏差，该检测误差可以采用二者的l2范数、绝对差、交叉熵等方法计算，则相应地，损失函数可以基于二者的l2范数、绝对差、交叉熵等构建。

上述损失函数搜索空间可以是预先构建的，可以是上述表征预设的神经网络模型对目标对象的各待检测关键点的检测误差的各可选损失函数的集合。作为示例，损失函数搜索空间可以由上述各待检测关键点的检测误差的各可选权值与不同的检测误差计算方法分别组合形成的多个可选损失函数构建而成。

在本实施例中，每次迭代操作中可以在预设的损失函数搜索空间内确定出可以使得奖励反馈值增大的当前的损失函数。具体地，可以采用基于例如如循环神经网络等算法、遗传算法等构建的控制器来控制每次迭代操作中确定出的当前损失函数。在每次迭代操作中，上述控制器可以生成表征当前损失函数的超参数序列，通过解码超参数序列来获得当前的损失函数。

步骤202，基于当前损失函数对预设的神经网络模型进行训练，并根据训练后的神经网络模型的性能更新奖励反馈值。

每次迭代操作中，基于确定出的当前损失函数，对预设的神经网络模型进行训练。在训练过程中，可以基于预设的神经网络模型当前损失函数监督该预设的神经网络模型的参数迭代。在训练完成后，可以采用测试数据集来训练后的神经网络模型的性能。神经网络模型的性能可以包括但不限于以下至少一项：运算效率、精度、计算复杂度、处理器的延时、在达到一定的性能指标(例如在特定的训练数据集上达到95％的正确率)的前提下所消耗的内存资源和/或计算时间等等。

在实践中，还可以针对具体的深度学习任务，确定对应的性能指标。例如对于分类任务，例如人脸识别，将最大概率的分类结果的准确率和分类的速度作为神经网络模型的性能指标。对于回归类的任务，例如检测人体关键点，可以将检测结果的准确度作为神经网络模型的性能指标。

可以将基于当前迭代操作中确定出的当前损失函数训练后的神经网络模型的性能作为新的奖励反馈值reward，也可以对训练后的神经网络模型的性能参数做数学变换(例如对错误率取倒数、做归一化处理等)之后作为新的奖励反馈至reward。这样，在下一次迭代操作中，可以基于新的奖励反馈值对中间监督策略进行更新。

步骤203，响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值，基于当前迭代操作中训练后的网络模型的生成用于检测目标对象的关键点的神经网络模型。

更新奖励反馈值之后，可以判断奖励反馈值是否达到了预设的收敛条件，例如奖励反馈值在最近的连续几次迭代操作中的变化率是否低于预设的变化率阈值，若是，则可以停止迭代操作，将最后一次迭代操作确定出的当前损失函数作为搜索出的最优损失函数，并且可以将当前的迭代操作中获得的神经网络模型作为所生成的用于检测目标对象的关键点的神经网络模型。

可选地，还可以在停止迭代操作后，基于上述搜索出的最优损失函数和样本集，对当前迭代操作中训练后的神经网络模型继续训练，完成训练后的神经网络模型即为用于检测目标对象的关键点的神经网络模型。

这样，可以进一步基于搜索出的最优损失函数训练神经网络模型，进一步提升神经网络模型的性能。

上述实施例提供的模型生成方法，通过多次迭代操作自动搜索出用于监督神经网络模型训练的最优损失函数，能够提升神经网络模型的收敛速度，提高训练效率，同时确保训练后的神经网络具有良好的性能。

在本实施例的一些可选的实现方式中，上述预设的损失函数搜索空间可以包括待检测关键点的热力图的尺寸参数的搜索空间，热力图中的像素值表征待检测关键点落在对应像素位置的置信度。像素值越高，关键点落在对应像素位置的置信度越高。热力图的尺寸越大，表征关键点位置的置信度分布越离散。

各待检测关键点的检测误差可以基于其热力图的尺寸参数计算得出。作为示例，可以根据热力图的尺寸参数对样本中标注的各关键点构建对应的高斯热力图，高斯热力图中关键点的位置置信度呈高斯分布。然后，计算神经网络模型预测出的待检测关键点的热力图与对应的高斯热力图之间的差异作为该关键点的检测误差。本实施例中，可以联合各待检测关键点的检测误差构建损失函数，则损失函数的参数包含了各关键点对应的热力图的尺寸参数。

这时，可以通过如下方式确定出预设的神经网络模型的当前损失函数：在待检测关键点的热力图的尺寸参数的搜索空间中分别确定出各待检测关键点的热力图的当前尺寸参数，基于各待检测关键点的热力图的当前尺寸参数构建当前损失函数。

目标对象的多个关键点位置不同，在训练过程中，神经网络模型学习不同关键点的难易程度不同。对于不同的待检测关键点，使用不同的热力图的尺寸参数计算对应的检测误差可以提升神经网络模型对不同关键点位置学习速度的均一性。

作为示例，人体关键点中，手腕关键点的学习难度高于肩部关键点。本实施例中，可以基于神经网络模型总体的关键点检测性能(即对各关键点检测的性能的综合指标)在搜索空间内分别对手腕关键点的热力图尺寸参数和肩部关键点的热力图尺寸进行搜索。

这样，可以针对不同的关键点分别搜索出差异化的热力图尺寸参数，相较于各部位的关键点采用预先设置的均等大小热力图的方式，本实施例改善了一些部位的关键点很快收敛而另一些部位的关键点难以收敛的情况，有效减少了不同部位关键点学习速度的差异带来的运算资源浪费。

在神经网络模型的训练过程中，除了关键点的热力图的大小之外，关键点热力图的形状也对模型的收敛速度具有影响。在一些实施例中，还可以对热力图的尺寸和形状同步进行优化。

以下请参考图3，其示出了本公开的模型生成方法的另一个实施例的流程示意图。本实施例的模型生成方法的流程300，包括通过依次执行多次迭代操作生成用于检测目标对象的关键点的神经网络模型。其中，迭代操作可以包括步骤301至步骤303。

具体地，在步骤301中，响应于确定当前的奖励反馈值未达到与第一搜索空间对应的收敛条件，基于当前的奖励反馈值，在第一搜索空间内分别确定出各待检测关键点的圆形热力图的当前半径，基于各待检测关键点的圆形热力图的当前半径构建当前损失函数。

其中，第一搜索空间包括待检测关键点的圆形热力图的半径搜索空间。当前损失函数包括在当前迭代操作中预设的神经网络模型对目标对象的各待检测关键点的检测误差。

奖励反馈值可以表征迭代操作中所获得的模型性能(诸如准确率、计算效率、所消耗的内存资源)的优劣程度。奖励反馈值的初始值可以是预先设定的值。在每一次迭代操作中，基于当前迭代中获得的神经网络模型的性能对奖励反馈值进行更新。

可以判断当前奖励反馈值是否达到与第一搜索空间对应的收敛条件，若未达到，可以在第一搜索空间内搜索待检测关键点的圆形热力图的半径。上述第一搜索空间对应的收敛条件可以是预先设定的，可以包括奖励反馈值达到预设的收敛值，或者可以包括基于第一搜索空间搜索圆形热力图的当前半径的迭代操作的次数达到预设的第一搜索次数。

可选地，与第一搜索空间对应的收敛条件可以包括奖励反馈值在最近的预设次迭代操作中的变化率不超过预设的变化率阈值。在奖励反馈值在最近的预设次迭代操作中的变化率不超过预设的变化率阈值时，基于第一搜索空间搜索出的热力图的半径无法进一步增大奖励反馈值或者无法使奖励反馈值有较大幅度的增加，继续基于第一搜索空间进行迭代操作不利于高效利用运算资源，这时可以停止基于第一搜索空间的热力图的尺寸参数搜索。

在本实施例中，可以构建待检测关键点的圆形热力图的半径搜索空间作为第一搜索空间。第一搜索空间包括待检测关键点的圆形热力图的多个候选半径。基于圆形热力图计算出的待检测关键点的检测误差在各个方向上是均等的，则得到的损失函数在各个方向上的损失值是均等的。

可以采用强化学习的方法，利用循环神经网络等作为控制器，以增大奖励反馈值为目标，在第一搜索空间内搜索出各个待检测关键点的圆形热力图的当前半径，然后基于搜索出的当前半径计算各待检测关键点的检测误差，进而构建上述预设的神经网络模型的损失函数。

在步骤302中，基于当前损失函数对预设的神经网络模型进行训练，并根据训练后的神经网络模型的性能更新奖励反馈值。

在步骤303中，响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值，基于当前迭代操作中训练后的网络模型生成用于检测目标对象的关键点的神经网络模型。

本实施例的步骤302、步骤303分别与前述实施例的步骤202、步骤203一致，步骤302、步骤303的具体实现方式可分别参考前述实施例中对步骤202、步骤203的描述，此处不再赘述。

在一些场景中，图像可能会存在拉伸等形变。例如，图像沿其坐标系的x轴方向以一定的拉伸系数被拉伸，沿其坐标系的y轴方向尺度保持不变。这时，各关键点的热力图也被拉伸为非圆形的热力图。为了适应这些场景中的关键点的检测，可选地，上述待检测关键点的热力图的尺寸参数的搜索空间还可以包括第二搜索空间，第二搜索空间包括非圆形热力图的尺寸参数的搜索空间。上述迭代操作中，在步骤302之前，还可以包括以下步骤：

步骤304，响应于确定奖励反馈值达到与第一搜索空间对应的收敛条件，基于当前的奖励反馈值，在第二搜索空间内分别确定出各待检测关键点的非圆形热力图的当前尺寸参数，基于各待检测关键点的非圆形热力图的当前尺寸参数构建当前损失函数。

在奖励反馈值达到与第一搜索空间对应的收敛条件时，可以结束基于圆形热力图半径的尺寸参数搜索，并继续在非圆形热力图的尺寸参数搜索空间内进一步优化热力图的尺寸参数。

具体地，可以采用基于循环神经网络等算法构建的控制器，以最大化奖励反馈值为目标，生成表征在第二搜索空间内搜索出各待检测的关键点的非圆形热力图的当前尺寸参数的超参数序列，对该超参数序列解码可得出各待检测关键点的非圆形热力图的当前尺寸参数。

然后，可以基于搜索出的当前尺寸参数对标注的关键点的位置进行弥散，生成标注的关键点的热力图，然后基于神经网络模型预测出的待检测关键点的热力图与生成的标注的关键点的热力图之间的差异构建损失函数。

在本实施例中，可以分阶段地对待检测关键点的热力图尺寸进行搜索，第一阶段搜索出最优的圆形热力图，第二阶段在非圆形热力图中搜索。由于圆形热力图的收敛速度较快，通过第一阶段可以快速地获得不同关键点的热力图的相对大小关系，通过第二阶段再精细化搜索各关键点的热力图的尺寸参数，能够提高搜索效率，可以更准确地学习到存在拉伸等形变的图像中的关键点的检测方法，提高生成的神经网络模型的鲁棒性。

进一步地，在一些可选的实施方式中，上述非圆形热力图可以包括椭圆形热力图，上述非圆形热力图的尺寸参数可以包括椭圆形热力图的长短轴半径。相应地，上述非圆形热力图的尺寸参数搜索空间可以包括待检测关键点的椭圆形热力图的长短轴半径的搜索空间。

这时，可以按照如下方式执行上述步骤304：将奖励反馈值达到与第一搜索空间对应的收敛条件时的迭代操作中确定出的各待检测关键点的圆形热力图的半径作为各待检测关键点的圆形热力图的最优半径；基于各待检测关键点的圆形热力图的最优半径分别确定各待检测关键点的椭圆热力图的长短轴半径的搜索范围；基于当前奖励反馈值，在各待检测关键点的椭圆热力图的长短轴半径的搜索范围内分别确定出各待检测关键点的椭圆热力图的当前长短轴半径。

在第一搜索空间内搜索出各待检测关键点的圆形热力图的最优半径之后，可以根据该最优半径对第二搜索空间中椭圆形热力图的长短轴半径的取值范围进行筛选，例如可以将椭圆形热力图的长短轴半径的取值范围设定为最优半径的第一预设倍数和第二预设倍数之间(第一预设倍数小于第二预设倍数)。或者，可以将第二搜索空间中与上述最优半径差值较大的长短轴半径剔除。这样可以得到各待检测关键点的椭圆热力图的长短轴半径的搜索范围。然后基于当前奖励反馈值，采用上述控制器在各待检测关键点的椭圆热力图的长短轴半径的搜索范围内搜索出各待检测关键点的椭圆热力图的当前长短轴半径，进而构建对应的当前损失函数。

该实施方式可以利用第一搜索空间的搜索结果来优化第二搜索空间，缩小热力图尺寸的搜索范围，从而可以进一步加快搜索速度，减少内存资源消耗。

并且，该实施方式可以针对拉伸后的图像搜索出不同方向上非均等损失的热力图，从而构建更精准的损失函数，由此提升了在损失函数的监督下训练得出的神经网络模型的性能。

请参考图4，作为对上述模型生成方法的实现，本公开提供了一种模型生成装置的一个实施例，该装置实施例与图2和图3所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的模型生成装置400包括生成单元401。生成单元401被配置为通过依次执行多次迭代操作生成用于检测目标对象的关键点的神经网络模型。其中，迭代操作包括：基于当前的奖励反馈值，在预设的损失函数搜索空间内确定出预设的神经网络模型的当前损失函数，其中，当前损失函数包括在当前迭代操作中预设的神经网络模型对目标对象的各待检测关键点的检测误差；基于当前损失函数对预设的神经网络模型进行训练，并根据训练后的神经网络模型的性能更新奖励反馈值；响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值，基于当前迭代操作中训练后的网络模型生成用于检测目标对象的关键点的神经网络模型。

在一些实施例中，上述预设的损失函数搜索空间包括待检测关键点的热力图的尺寸参数的搜索空间，热力图中的像素值表征待检测关键点落在对应像素位置的置信度；生成单元被配置为按照如下方式执行在预设的损失函数搜索空间内确定出预设的神经网络模型的当前损失函数的操作：在待检测关键点的热力图的尺寸参数的搜索空间中分别确定出各待检测关键点的热力图的当前尺寸参数，基于各待检测关键点的热力图的当前尺寸参数构建当前损失函数。

在一些实施例中，上述待检测关键点的热力图的尺寸参数的搜索空间包括第一搜索空间，第一搜索空间包括待检测关键点的圆形热力图的半径搜索空间；生成单元被配置为按照如下方式在待检测关键点的热力图的尺寸参数的搜索空间中分别确定出各待检测关键点的热力图的当前尺寸参数：响应于确定奖励反馈值未达到与第一搜索空间对应的收敛条件，基于当前的奖励反馈值，在第一搜索空间内分别确定出各待检测关键点的圆形热力图的当前半径。

在一些实施例中，上述待检测关键点的热力图的尺寸参数的搜索空间还包括第二搜索空间，第二搜索空间包括非圆形热力图的尺寸参数的搜索空间；以及生成单元还被配置为按照如下方式在待检测关键点的热力图的尺寸参数的搜索空间中分别确定出各待检测关键点的热力图的当前尺寸参数：响应于确定奖励反馈值达到与第一搜索空间对应的收敛条件，基于当前的奖励反馈值，在第二搜索空间内分别确定出各待检测关键点的非圆形热力图的当前尺寸参数。

在一些实施例中，上述非圆形热力图包括椭圆形热力图，非圆形热力图的尺寸参数包括椭圆形热力图的长短轴半径；以及生成单元还被配置为按照如下方式执行在第二搜索空间内分别确定出各待检测关键点的非圆形热力图的当前尺寸参数的操作：将奖励反馈值达到与第一搜索空间对应的收敛条件时的迭代操作中确定出的各待检测关键点的圆形热力图的半径作为各待检测关键点的圆形热力图的最优半径；基于各待检测关键点的圆形热力图的最优半径分别确定各待检测关键点的椭圆热力图的长短轴半径的搜索范围；基于当前奖励反馈值，在各待检测关键点的椭圆热力图的长短轴半径的搜索范围内分别确定出各待检测关键点的椭圆热力图的当前长短轴半径。

在一些实施例中，上述与第一搜索空间对应的收敛条件包括奖励反馈值在最近的预设次迭代操作中的变化率不超过预设的变化率阈值。

上述装置400中的生成单元401与参考图2描述的方法中的步骤相对应。由此，上文针对模型生成方法描述的操作、特征及所能达到的技术效果同样适用于装置400及其中包含的单元，在此不再赘述。

下面参考图5，其示出了适于用来实现本公开的实施例的电子设备(例如图1所示的服务器)500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储装置508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。

通常，以下装置可以连接至i/o接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从rom502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：通过依次执行多次迭代操作生成用于检测目标对象的关键点的神经网络模型；其中，迭代操作包括：基于当前的奖励反馈值，在预设的损失函数搜索空间内确定出预设的神经网络模型的当前损失函数，其中，当前损失函数包括在当前迭代操作中预设的神经网络模型对目标对象的各待检测关键点的检测误差；基于当前损失函数对预设的神经网络模型进行训练，并根据训练后的神经网络模型的性能更新奖励反馈值；响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值，基于当前迭代操作中训练后的神经网络模型的参数生成用于检测目标对象的关键点的神经网络模型。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，生成单元还可以被描述为“通过依次执行多次迭代操作生成用于检测目标对象的关键点的神经网络模型的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。