[发明专利]姿态估计模型的构建方法、装置、设备及存储介质

说明书

本公开关于一种姿态估计模型的构建方法、装置、设备及存储介质，该方法包括构建包括多个网络单元的初始姿态估计模型，根据每个节点中不同卷积操作的连接权重进行排序，针对每个节点保留连接权重排序在前N位的卷积操作并对前N位的卷积操作的操作结果进行加权求和作为节点的输出结果；根据每个子单元中多个节点的输入端连接权重进行排序，针对每个子单元保留输入端连接权重排序在前M位的节点；根据与每个人体姿态特征连接的其他人体姿态特征的连接权重进行排序，针对每个人体姿态特征保留连接权重排序在前L位的其他人体姿态特征，获得目标姿态估计模型。本公开实现姿态估计模型的自动设计，避免无效的人工劳动，提高姿态估计模型的设计效率。

技术领域

本公开涉及信息处理技术领域，尤其涉及一种姿态估计模型的构建方法、装置、设备及存储介质。

背景技术

人体姿态估计旨在从单张RGB图像中估计人的各种关键点，如：手腕、胳膊肘、脚踝、膝盖等。人体姿态估计是一个具有重大现实使用意义的研究方向，比如在无人驾驶、虚拟试衣等应用中，人体姿态估计是较为核心的一个技术点。

相关技术中可基于神经网络来实现人体姿态估计。然而，现有的神经网络的设计策略需要由人根据经验决定，导致大量无效的人工劳动，且设计效率低。

发明内容

本公开提供一种姿态估计模型的构建方法、装置及系统，以提高姿态估计模型的设计效率。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种姿态估计模型的构建方法，所述方法包括：构建包括多个网络单元的初始姿态估计模型，其中，每个所述网络单元用于连接两个人体姿态特征，所述网络单元的输出端连接的人体姿态特征根据输入端连接的人体姿态特征生成；每个所述网络单元包括多个子单元，并且每个子单元包括多个节点，每个节点对输入进行多种不同的卷积操作并对操作结果进行加权求和作为所述节点的输出结果；根据每个节点中不同卷积操作的连接权重进行排序，针对每个节点保留连接权重排序在前N位的卷积操作并对所述前N位的卷积操作的操作结果进行加权求和作为所述节点的输出结果；其中，N为正整数且小于所述节点中卷积操作的总数；根据每个子单元中多个节点的输入端连接权重进行排序，针对每个子单元保留输入端连接权重排序在前M位的节点；其中，M为正整数且小于所述子单元中节点的总数；根据与每个人体姿态特征连接的其他人体姿态特征的连接权重进行排序，针对每个人体姿态特征保留连接权重排序在前L位的其他人体姿态特征，获得目标姿态估计模型；其中，L为正整数且小于所述子单元中节点的总数；其中，每个节点中不同卷积操作的连接权重、每个子单元中每个节点的输入端连接权重以及每个人体姿态特征与其他人体姿态特征的连接权重是根据包含人体关键点标注信息的样本人体图像对所述初始姿态估计模型进行训练得到的，并且是与人体姿态相关的权重。

在本公开实施例中，所述人体姿态特征的输入端特征包括：相同特征层的前一列对应的人体姿态特征和上下两个相邻特征层的前一列对应的人体姿态特征。

在本公开实施例中，每个所述子单元中的多个节点输出之和形成所述子单元的输出，所述子单元的输入端与所在网络单元内位于所述子单元之前的所有子单元的输出端，以及位于所在网络单元之前的多个网络单元的输出端连接。

在本公开实施例中，所述针对每个节点保留连接权重排序在前N位的卷积操作并对所述前N位的卷积操作进行加权求和，包括：保留所述节点中连接权重最大的卷积操作，删除其他卷积操作。

在本公开实施例中，所述针对每个子单元保留输入端连接权重排序在前M位的节点，包括：保留所述子单元中输入端连接权重最大的两个节点，删除其他节点。

在本公开实施例中，所述根据与每个人体姿态特征连接的其他人体姿态特征的连接权重进行排序，针对每个人体姿态特征保留连接权重排序在前L位的其他人体姿态特征，获得目标姿态估计模型，包括：从末端的人体姿态特征开始，保留与所述人体姿态特征的连接权重最大的两个人体姿态特征，删除与所述人体姿态特征连接的其他人体姿态特征。