一种人脸角度检测模型训练中损失函数的设计方法与流程

1.本发明涉及人脸识别技术领域，特别涉及一种人脸角度检测模型训练中损失函数的设计方法。


背景技术：

2.当今社会，人脸识别的应用越来越防范，其中再人脸角度检测模型训练中的损失函数计算是非常重要的环节。现有技术中直接使用接近的损失函数计算方法拟合连续数据角度值。然而，现有技术中存在的缺陷在于：
3.1、由于角度存在一定误差，一般在2度范围左右，直接拟合，导致产生拟合的错误。
4.2、深度学习网络对连续数据的拟合效果差，导致训练艰难，训练出的模型效果也差。
5.3、所有的损失情况无区别性处理。
6.此外，现有技术中包括以下常用的技术术语：
7.损失函数：计算预测值与真实值之间偏差程度的一种方法。
8.拟合：把一些数据通过函数在某个超平面上映射成一个具体的数据或连续数据。
9.模型：是通过样本训练出来的一个函数的所有的系数，这些系数称为模型。
10.模型效果：使用该模型去计算人脸角度，人脸角度的正确率就是模型的效果。


技术实现要素：

11.为了解决上述问题，本发明的目的在于：
12.1、根据现有标注信息的误差情况，设计一种损失计算方法消除误差影响。
13.2、消除拟合效果不好的情况。
14.3、使用该损失计算方法可以训练出有效的模型。
15.具体地，本发明提供一种人脸角度检测模型训练中损失函数的设计方法，在人脸角度标注中的实际损失函数计算过程，使用分区间和加权两种方式进行计算损失函数：当预测值和真值的绝对值小于1时，视为损失为0，这样等价到把标注的角度值取值到整数，角度是具体的540个数据；当预测值和真值的绝对值大于阈值时，采用加权方式，增大损失函数。
16.所述的阈值为4。
17.所述方法进一步包括以下步骤：
18.s1，设预测角度为p,标注的真值角度为t，损失值loss计算为：loss＝|p-t|；
19.s2，设置区间进行判断，根据损失值设计损失函数：
20.当loss＜1时，其损失值为loss＝loss*0，也就是损失值为0；
21.当1≤loss＜2时，其损失值为loss＝loss*0.1；
22.当2≤loss＜4时，其损失值为loss＝loss*1.0；
23.当4≤loss时，其损失值为loss＝loss*2。
24.所述当1≤loss＜2时，由于误差是2，保留信息很微小，因此将权重设置为0.1。
25.所述当2≤loss＜4时，损失值在2到4区间，数据增多，同时随着训练的进一步进行，会趋于平衡，因此这里的权重使用默认1的权重。
26.所述当4≤loss时，损失值大于4的情况，为了加速收敛这种样本，使用加倍的损失值。
27.由此，本申请的优势在于：能够通过本发明简单的方法有效克服现有技术中根据实际情况，在人脸角度标注中，人为因素影响很大，实际损失函数计算中，如果按照标注如实计算误差，带来的不是误差，而是错误，导致训练的模型效果很差，同时深度学习网络对于连续数据的拟合，目前效果不佳的问题。
附图说明
28.此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。
29.图1是本发明方法的示意流程图。
具体实施方式
30.为了能够更清楚地理解本发明的技术内容及优点，现结合附图对本发明进行进一步的详细说明。
31.根据实际情况，在现有技术中人脸角度标注中，人为因素影响很大，误差一般在2度左右。实际损失函数计算中，如果按照标注如实计算误差，带来的不是误差，而是错误。导致训练的模型效果很差。同时深度学习网络对于连续数据的拟合，目前效果不佳。所以，本发明使用了分区间和加权两种方式进行计算损失函数，这种方法可以消除拟合中的连续数据的影响，训练数据误差带来的错误。当预测值和真值的绝对值小于1时，视为损失为0，这样等价到把标注的角度值取值到整数，角度是具体的540个数据，拟合具体数据效果更好。预测值和真值的绝对值比较大时，采用加权方法，增大损失函数，更有利于模型测训练。
32.如图1所示，本发明涉及一种人脸角度检测模型训练中损失函数的设计方法，所述方法包括以下步骤：
33.s1，当loss《1时，其损失值为loss＝loss*0，也就是损失值为0
34.当1《＝loss《2时，其损失值为loss＝loss*0.1；
35.由于误差是2，保留很微小的信息，将权重设置为0.1
36.当2《＝loss《4时，其损失值为loss＝loss*1.0；
37.损失函在2到4区间，会有更多的数据，同时随着训练的进一步进行，会趋于平衡，所以这里的权重使用默认1的权重。
38.当4《＝loss时，其损失值为loss＝loss*2；
39.损失值大于4的情况，为了加速收敛这种样本，使用加倍的损失值，可以达到更好的效果，有利于模型的训练。
40.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。


技术特征：
1.一种人脸角度检测模型训练中损失函数的设计方法，其特征在于，在人脸角度标注中的实际损失函数计算过程，使用分区间和加权两种方式进行计算损失函数：当预测值和真值的绝对值小于1时，视为损失为0，这样等价到把标注的角度值取值到整数，角度是具体的540个数据；当预测值和真值的绝对值大于阈值时，采用加权方式，增大损失函数。2.根据权利要求1所述的一种人脸角度检测模型训练中损失函数的设计方法，其特征在于，所述的阈值为4。3.根据权利要求1所述的一种人脸角度检测模型训练中损失函数的设计方法，其特征在于，所述方法进一步包括以下步骤：s1，设预测角度为p,标注的真值角度为t，损失值loss计算为：loss＝|p-t|；s2，设置区间进行判断，根据损失值设计损失函数：当loss＜1时，其损失值为loss＝loss*0，也就是损失值为0；当1≤loss＜2时，其损失值为loss＝loss*0.1；当2≤loss＜4时，其损失值为loss＝loss*1.0；当4≤loss时，其损失值为loss＝loss*2。4.根据权利要求1所述的一种人脸角度检测模型训练中损失函数的设计方法，其特征在于，所述当1≤loss＜2时，由于误差是2，保留信息很微小，因此将权重设置为0.1。5.根据权利要求1所述的一种人脸角度检测模型训练中损失函数的设计方法，其特征在于，所述当2≤loss＜4时，损失值在2到4区间，数据增多，同时随着训练的进一步进行，会趋于平衡，因此这里的权重使用默认1的权重。6.根据权利要求1所述的一种人脸角度检测模型训练中损失函数的设计方法，其特征在于，所述当4≤loss时，损失值大于4的情况，为了加速收敛这种样本，使用加倍的损失值。

技术总结
本发明提供一种人脸角度检测模型训练中损失函数的设计方法，在人脸角度标注中的实际损失函数计算过程，使用分区间和加权两种方式进行计算损失函数：当预测值和真值的绝对值小于1时，视为损失为0，这样等价到把标注的角度值取值到整数，角度是具体的540个数据；当预测值和真值的绝对值大于阈值时，采用加权方式，增大损失函数。能够通过本发明简单的方法有效克服现有技术中根据实际情况，在人脸角度标注中，人为因素影响很大，实际损失函数计算中，如果按照标注如实计算误差，带来的不是误差，而是错误，导致训练的模型效果很差，同时深度学习网络对于连续数据的拟合，目前效果不佳的问题。题。题。


技术研发人员：田凤彬 于晓静
受保护的技术使用者：北京君正集成电路股份有限公司
技术研发日：2020.07.28
技术公布日：2022/2/18