本技術涉及機器學習領域，并且更具體地，涉及機器學習領域中模型訓練方法、角點檢測方法和裝置。

背景技術：

1、當前，在使用損失函數對角點檢測模型進行訓練時，普遍采用l2損失函數來進行逐點的回歸優化，且每個點都是獨立地進行回歸優化，點與點之間并不存在關聯性，甚至當其中一個點的損失值較高，而其余點的損失值較低時，整體的損失值也會變低，從而會增大角點回歸優化的難度，進而在使用原始角點檢測模型進行角點檢測時，難以得到精確的角點檢測結果。因此，如何提高角點檢測的精準度已成為當前亟待解決的技術難題。

技術實現思路

1、本技術提供了一種模型訓練方法、角點檢測方法和裝置，利用該方法能夠訓練出一種檢測準確度高的目標角點檢測模型，使用該模型能夠檢測出更加精確的角點，提高角點檢測的準確度。

2、第一方面，提供了一種模型訓練方法，該方法包括：獲取樣本圖像；其中，所述樣本圖像包括具有邊緣的對象，所述對象的邊緣包括多個角點，所述角點標注有真實值；獲取原始角點檢測模型預測的所述樣本圖像中多個角點的預測值；其中，所述原始角點檢測模型基于原始損失函數訓練得到；所述原始損失函數用于描述所述角點的真實值和預測值之間的差異；根據多個所述角點的真實值，確定所述對象上的目標特征點的真實值；根據多個所述角點的預測值，確定所述對象上的目標特征點的預測值；根據所述目標特征點的真實值和所述目標特征點的預測值，確定用于描述所述目標特征點的真實值和預測值之間的差異的目標損失函數；根據所述原始損失函數和所述目標損失函數進行訓練，生成目標角點檢測模型。

3、上述技術方案，通過在原始損失函數的基礎上增加額外的損失函數，該額外的損失函數即目標損失函數，相比于只考慮原始損失函數，增加目標損失函數能夠使得目標角點檢測模型整體的損失值上升，損失值上升意味著目標角點檢測模型需要達到更高的預測精度才能滿足結束訓練的標準，這將直接導致目標角點檢測模型在訓練過程進行不斷改進，繼續尋找更優的參數組合，避免目標角點檢測模型過早收斂到局部最優解，有利于目標角點檢測模型最終收斂到全局最優解，從而達到更高的檢測精度。原始損失函數用于描述角點的真實值和預測值之間的差異，這使得在訓練目標角點檢測模型的過程中，關注多個角點的預測精度。目標損失函數用于描述目標特征點的真實值和預測值之間的差異，這使得在訓練目標角點檢測模型的過程中關注目標特征點的預測精度。因此，結合原始損失函數和目標損失函數，使得在訓練目標角點檢測模型的過程中，不僅關注多個角點的預測精度，同時關注目標特征點的預測精度，也即在訓練的過程中，不僅能夠使得多個角點的預測值均逐漸等于或接近多個角點的真實值，還能使得標特征點的預測值逐漸等于或接近目標特征點的真實值，從而提高了訓練得到的目標角點檢測模型的檢測精度。最終，在使用目標角點檢測模型進行角點檢測時，能夠得到更加精確的角點，提高角點檢測的精確度。

4、結合第一方面，在某些可能的實現方式中，所述根據所述原始損失函數和所述目標損失函數進行訓練，生成目標角點檢測模型，包括：計算所述原始損失函數加上所述目標損失函數，得到的修正損失函數；根據所述修正損失函數進行訓練，生成所述目標角點檢測模型。

5、結合第一方面和上述實現方式，在某些可能的實現方式中，所述根據多個所述角點的真實值，確定所述對象上的目標特征點的真實值，包括：根據多個所述角點的真實值，確定兩個不相鄰的所述角點之間的連線，得到目標真實連線；將所述目標真實連線上的點的坐標，作為所述對象上的目標特征點的真實值；所述根據多個所述角點的預測值，確定所述對象上的目標特征點的預測值，包括：根據多個所述角點的預測值，確定兩個不相鄰的所述角點之間的連線，得到目標測連線；將所述目標預測連線上的點的坐標，作為所述對象上的目標特征點的預測值；其中，所述目標特征點的真實值在所述目標真實連線上的相對位置與所述目標特征點的預測值在所述目標預測連線上的相對位置一致。

6、上述技術方案，根據多個角點的真實值確定目標真實連線，將目標真實連線的點的坐標確定為目標特征點的真實值，并根據多個角點的預測值確定目標預測連線，將目標預測連線的點的坐標確定為目標特征點的預測值，且目標特征點的真實值在目標真實連線上的相對位置與目標特征點的預測值在目標預測連線上的相對位置一致，在目標特征點的預測值逐漸接近目標特征點的真實值，直至目標特征點的預測值等于目標特征點的真實值的過程中，多個角點的預測值也會逐漸接近多個角點的真實值，直至每個角點的預測值等于真實值，從而顯著地優化了角點回歸的過程。

7、結合第一方面和上述實現方式，在某些可能的實現方式中，所述目標真實連線包括多條互不重合的真實連線；所述目標預測連線包括多條互不重合的預測連線；所述將所述目標真實連線上的點的坐標，作為所述對象上的目標特征點的真實值，包括：將所述多條互不重合的真實連線的交點的坐標，作為所述對象上的目標特征點的真實值；所述將所述目標預測連線上的點的坐標，作為所述對象上的目標特征點的預測值，包括：將所述多條互不重合的預測連線的交點的坐標，作為所述對象上的目標特征點的預測值。

8、結合第一方面和上述實現方式，在某些可能的實現方式中，所述目標損失函數通過如下方式確定：計算所述目標特征點的真實值和目標特征點的預測值之間的差值的絕對值，得到所述目標特征點對應的差值的絕對值；將所述絕對值的平方，作為所述目標損失函數。

9、結合第一方面和上述實現方式，在某些可能的實現方式中，所述原始損失函數通過如下方式確定：計算每個所述角點的真實值和預測值之間的差值的絕對值，得到多個角點各自對應的差值的絕對值；對每個角點對應的差值的絕對值求平方，并將所述每個角點對應的差值的絕對值求平方后的結果相加，得到損失和；將所述損失和除以所述多個角點的數量，作為所述原始損失函數。

10、第二方面，提供了一種角點檢測方法，該方法包括：采集待檢測圖像；將所述待檢測圖像輸入由上述第一方面所提供的模型訓練方法訓練生成的目標角點檢測模型，輸出所述待檢測圖像中的角點的預測值。

11、上述技術方案，將待檢測的圖像輸入目標角點檢測模型，能夠檢測出更加準確的角點，從而提高角點檢測的準確性。

12、第三方面，提供了一種模型訓練裝置，該裝置包括：第一獲取模塊，用于獲取樣本圖像；其中，所述樣本圖像包括具有邊緣的對象，所述對象的邊緣包括多個角點，所述角點標注有真實值；第二獲取模塊，用于獲取原始角點檢測模型預測的所述樣本圖像中多個角點的預測值；其中，所述原始角點檢測模型基于原始損失函數訓練得到；所述原始損失函數用于描述所述角點的真實值和預測值之間的差異；第一確定模塊，用于根據多個所述角點的真實值，確定所述對象上的目標特征點的真實值；第二確定模塊，用于根據多個所述角點的預測值，確定所述對象上的目標特征點的預測值；第三確定模塊，用于根據所述目標特征點的真實值和所述目標特征點的預測值，確定用于描述所述目標特征點的真實值和預測值之間的差異的目標損失函數；生成模塊，用于根據所述原始損失函數和所述目標損失函數進行訓練，生成目標角點檢測模型。

13、結合第三方面，在第三方面的某些實現方式中，該生成模塊，具體用于：所述根據所述原始損失函數和所述目標損失函數進行訓練，生成目標角點檢測模型，包括：計算所述原始損失函數加上所述目標損失函數，得到的修正損失函數；根據所述修正損失函數進行訓練，生成所述目標角點檢測模型。

14、結合第三方面和上述實現方式，在第三方面的某些實現方式中，該第一確定模塊，具體用于：所述根據多個所述角點的真實值，確定所述對象上的目標特征點的真實值，包括：根據多個所述角點的真實值，確定兩個不相鄰的所述角點之間的連線，得到目標真實連線；將所述目標真實連線上的點的坐標，作為所述對象上的目標特征點的真實值；該第二確定模塊，具體用于：所述根據多個所述角點的預測值，確定所述對象上的目標特征點的預測值，包括：根據多個所述角點的預測值，確定兩個不相鄰的所述角點之間的連線，得到目標預測連線；將所述目標預測連線上的點的坐標，作為所述對象上的目標特征點的預測值；其中，所述目標特征點的真實值在所述目標真實連線上的相對位置與所述目標特征點的預測值在所述目標預測連線上的相對位置一致。

15、結合第三方面和上述實現方式，在第三方面的某些實現方式中，所述目標真實連線包括多條互不重合的真實連線；所述目標預測連線包括多條互不重合的預測連線；該第一確定模塊，具體用于：所述將所述目標真實連線上的點的坐標，作為所述對象上的目標特征點的真實值，包括：將所述多條互不重合的真實連線的交點的坐標，作為所述對象上的目標特征點的真實值；該第二確定模塊，具體用于：所述將所述目標預測連線上的點的坐標，作為所述對象上的目標特征點的預測值，包括：將所述多條互不重合的預測連線的交點的坐標，作為所述對象上的目標特征點的預測值。

16、結合第三方面和上述實現方式，在第三方面的某些實現方式中，該裝置還包括第四確定模塊，具體用于：所述目標損失函數通過如下方式確定：計算所述目標特征點的真實值和目標特征點的預測值之間的差值的絕對值，得到所述目標特征點對應的差值的絕對值；將所述絕對值的平方，作為所述目標損失函數。

17、結合第三方面和上述實現方式，在第三方面的某些實現方式中，該裝置還包括第五確定模塊，具體用于：所述原始損失函數通過如下方式確定：計算每個所述角點的真實值和預測值之間的差值的絕對值，得到多個角點各自對應的差值的絕對值；對每個角點對應的差值的絕對值求平方，并將所述每個角點對應的差值的絕對值求平方后的結果相加，得到損失和；將所述損失和除以所述多個角點的數量，作為所述原始損失函數。

18、第四方面，提供一種角點檢測裝置，該裝置包括：采集模塊，用于采集待檢測圖像；輸出模塊，用于將所述待檢測圖像輸入由上述第三方面所提供的模型訓練方法訓練生成的目標角點檢測模型，輸出所述待檢測圖像中的角點的預測值。

19、第五方面，提供一種電子設備，包括存儲器和處理器。該存儲器用于存儲可執行程序代碼，該處理器用于從存儲器中調用并運行該可執行程序代碼，使得該電子設備執行上述第一方面或第一方面任意一種可能的實現方式中的方法，或使得該電子設備執行上述第二方面的方法。

20、第六方面，提供了一種計算機程序產品，該計算機程序產品包括：計算機程序代碼，當該計算機程序代碼在計算機上運行時，使得該計算機執行上述第一方面或第一方面任意一種可能的實現方式中的方法，或使得該計算機執行上述第二方面的方法。

21、第七方面，提供了一種計算機可讀存儲介質，該計算機可讀存儲介質存儲有計算機程序代碼，當該計算機程序代碼在計算機上運行時，使得該計算機執行上述第一方面或第一方面任意一種可能的實現方式中的方法，或使得該計算機執行上述第二方面的方法。