CN112800991B - 一种具有计算量自适应能力的快速人体姿态估计方法、装置及电子设备 - Google Patents
一种具有计算量自适应能力的快速人体姿态估计方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112800991B CN112800991B CN202110145463.7A CN202110145463A CN112800991B CN 112800991 B CN112800991 B CN 112800991B CN 202110145463 A CN202110145463 A CN 202110145463A CN 112800991 B CN112800991 B CN 112800991B
- Authority
- CN
- China
- Prior art keywords
- human body
- body posture
- finishing
- detection result
- stage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004364 calculation method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 72
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 230000006978 adaptation Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 210000000544 articulatio talocruralis Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例中提供了一种具有计算量自适应能力的快速人体姿态估计方法、装置及电子设备，所述方法，包括接收输入图像；采用具有自适应调整计算量的卷积神经网络进行人体姿态估计，其中，将所述输入图像进行特征抽取，对抽取的特征进行初步处理，得到人体姿态相关特征和人体姿态估计的初步结果；将所述初步结果与所述人体姿态相关特征进行精修，得到人体姿态检测结果，对所述人体姿态检测结果进行进一步精修，直至其与上一阶段的人体姿态检测结果的差异数值小于预设阈值；作为最终的人体姿态估计结果进行输出。通过本申请的处理方案，本方法具有自适应调节计算量的能力，在给定一个整体的计算量预算的情况下，可以获得更高的平均精确度。
Description
技术领域
本申请涉及姿态检测领域，尤其涉及一种具有计算量自适应能力的快速人体姿态估计方法、装置及电子设备。
背景技术
人体姿态检测是一种可以从图片中检测出人体主要关节点位置的技术，常见的关节点包括头顶点，脖子点，肩膀点，手肘点，手腕点，髋关节点，膝盖点，踝关节点等。人体姿态检测是对图片中的人体进行高层语意理解的关键组成部分，有广泛的应用，例如：人体动作理解，人机交互，自动监控等。近年来，随着人工智能技术的高速发展，特别是深度学习技术的发展，人体姿态检测的精度达到了非常高的水准，但是伴随而来的是深度神经网络越来越大的计算量。这给在端侧部署人体姿态系统带来了巨大的挑战。
为了在端侧部署人体姿态检测系统，势必需要对计算量进行缩减，更具体的说，是需要对其中的深度卷积神经网络的计算量进行缩减。一般有以下几种方案：第一，更高效的网络结构设计，例如基于mobileNet，shuffuleNet等高效网络结构来设计人体姿态检测的网络结构，或者利用NAS技术搜索高效网络结构。第二，利用蒸馏技术来从一个大的teacher网络里面蒸馏出一个速度更快的student网络。第三，利用网络量化技术来把一个浮点的人体姿态检测模型量化为定点模型。
虽然以上几种方案都可以缩减深度卷积神经网络的计算量，但是这种缩减对于所有的输入图片都是相同的，并没有考虑输入图片本身的复杂度对于计算量的影响。这就带来了两个问题，如果网络缩减的过小，比较困难的输入图片得到的检测结果会比较差，如果网络缩减的不够，虽然网络在大部分输入图片上都会得到比较好检测结果，但是整体的计算量会比较大。在理想状况下，如果输入比较简单或者计算资源比较紧张，人体姿态检测系统可以选择使用计算量比较小的网络，如果输入比较困难或者计算资源比较丰富，则人体姿态检测系统可以选择使用计算量比较大的网络。在一定的计算资源的限制下，人体姿态检测网络可以自由的分配计算量，整体上获得更好的检测精度。
发明内容
有鉴于此，本申请实施例提供一种具有计算量自适应能力的快速人体姿态估计方法、装置及电子设备，至少部分解决现有技术中存在的问题。
第一方面，本申请实施例提供了一种具有计算量自适应能力的快速人体姿态估计方法，所述方法包括：
接收输入图像；
采用具有自适应调整计算量的卷积神经网络进行人体姿态估计，其中，
将所述输入图像进行特征抽取，对抽取的特征进行初步处理，得到人体姿态相关特征和人体姿态估计的初步结果；
将所述初步结果与所述人体姿态相关特征进行精修，得到人体姿态检测结果，对所述人体姿态检测结果进行进一步精修，直至其与上一阶段的人体姿态检测结果的差异数值小于预设阈值；
该阶段的人体姿态检测结果作为最终的人体姿态估计结果进行输出。
根据本申请实施例的一种具体实现方式，所述具有自适应调整计算量的卷积神经网络依次包括stem模块，初始化模块和精修模块；
所述精修模块包括若干精修子模块，每个精修子模块代表一个精修阶段。
根据本申请实施例的一种具体实现方式，所述stem模块由若干卷积函数和激活函数构成，所述stem模块的处理方法为将所述输入图像进行特征抽取。
根据本申请实施例的一种具体实现方式，所述初始化模块的处理方法为，initialstage模块对所述stem模块输出的特征进行进一步处理，输出人体姿态相关的特征，经过Pose Head的处理，输出人体姿态估计的初步结果。
根据本申请实施例的一种具体实现方式，第一精修阶段的精修子模块的处理方法为，将初始化模块输出的所述初步结果与所述人体姿态相关特征进行精修，得到人体姿态检测结果进行输出。
根据本申请实施例的一种具体实现方式，第二精修阶段到第N阶段的精修子模块的处理方法为，将上一精修阶段的人体姿态检测结果进行进一步精修，得到该精修阶段的人体姿态检测结果进行输出。
根据本申请实施例的一种具体实现方式，每个精修阶段的输出与上一阶段的输出进行对比，计算差异数值，当差异数值小于设定阈值时，停止后续阶段的计算，将当前阶段的输出作为最终的人体姿态估计结果进行输出。
根据本申请实施例的一种具体实现方式，所述具有自适应调整计算量的卷积神经网络的训练过程计算网络输出与Ground Truth的差异作为loss，并采用梯度下降法降低loss值。
第二方面，提供了一种具有计算量自适应能力的快速人体姿态估计装置，包括：
图像接收装置，所述图像接收装置接收输入图像；
人体姿态估计装置，所述人体姿态估计装置采用具有自适应调整计算量的卷积神经网络进行人体姿态估计，其中，将所述输入图像进行特征抽取，对抽取的特征进行初步处理，得到人体姿态相关特征和人体姿态估计的初步结果；将所述初步结果与所述人体姿态相关特征进行精修，得到人体姿态检测结果，对所述人体姿态检测结果进行进一步精修，直至其与上一阶段的人体姿态检测结果的差异数值小于预设阈值；该阶段的人体姿态检测结果作为最终的人体姿态估计结果进行输出；
人体姿态估计结果输出装置，所述人体姿态估计结果输出装置将最终的人体姿态估计结果进行输出。
第三方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的具有计算量自适应能力的快速人体姿态估计方法。
第四方面，一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的具有计算量自适应能力的快速人体姿态估计方法。
第五方面，本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的具有计算量自适应能力的快速人体姿态估计方法。
本申请实施例中的具有计算量自适应能力的快速人体姿态估计方法，包括接收输入图像；采用具有自适应调整计算量的卷积神经网络进行人体姿态估计，其中，将所述输入图像进行特征抽取，对抽取的特征进行初步处理，得到人体姿态相关特征和人体姿态估计的初步结果；将所述初步结果与所述人体姿态相关特征进行精修，得到人体姿态检测结果，对所述人体姿态检测结果进行进一步精修，直至其与上一阶段的人体姿态检测结果的差异数值小于预设阈值；该阶段的人体姿态检测结果作为最终的人体姿态估计结果进行输出。通过本申请的处理方案，可以根据输入图片的复杂度来动态的调整深度神经网络的计算量，简单的输入消耗比较小的计算量，复杂的输入消耗比较大的计算量。平均来看，本申请可以在一定的计算预算下，取得更高的平均精度，非常适合大规模的图片数据或者高并发的云端处理的场景。同时，由于本申请有提前终止计算并输出网络结果的机制，本算法也非常适合部署在手机等端侧。端侧设备的计算能力受到同时运行的其他应用的影响，本申请可以动态调节计算量，动态的适应端侧设备计算能力的波动，提供更好的用户体验。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本申请实施例的一种具有计算量自适应能力的快速人体姿态估计方法的流程图；
图2为本申请实施例的采用具有自适应调整计算量的卷积神经网络进行人体姿态估计流程图；
图3为本申请实施例的具有自适应调整计算量的卷积神经网络的估计流程图；
图4为本申请实施例的具有自适应调整计算量的卷积神经网络的训练流程图；
图5为本申请实施例的具有计算量自适应能力的快速人体姿态估计装置的结构示意图；并且
图6为本申请实施例的电子设备的结构示意图。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本申请，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本申请实施例中提供了一种具有计算量自适应能力的快速人体姿态估计方法，所述方法包括接收输入图像；采用具有自适应调整计算量的卷积神经网络进行人体姿态估计，其中，将所述输入图像进行特征抽取，对抽取的特征进行初步处理，得到人体姿态相关特征和人体姿态估计的初步结果；将所述初步结果与所述人体姿态相关特征进行精修，得到人体姿态检测结果，对所述人体姿态检测结果进行进一步精修，直至其与上一阶段的人体姿态检测结果的差异数值小于预设阈值；该阶段的人体姿态检测结果作为最终的人体姿态估计结果进行输出。通过本申请的处理方案，与现存的其他不具有自适应调整计算量的人体姿态检测算法相比，本方法可以根据输入图片的复杂度来动态的调整深度神经网络的计算量，简单的输入消耗比较小的计算量，复杂的输入消耗比较大的计算量。平均来看，本方法可以在一定的计算预算下，取得更高的平均精度，非常适合大规模的图片数据或者高并发的云端处理的场景。同时，由于本方法有提前终止计算并输出网络结果的机制，本方法也非常适合部署在手机等端侧。端侧设备的计算能力受到同时运行的其他应用的影响，本方法可以动态调节计算量，动态的适应端侧设备计算能力的波动，提供更好的用户体验。
接下来，参考附图，具体描述本申请实施例的具有计算量自适应能力的快速人体姿态估计方法。
参见图1，本申请实施例提供的一种具有计算量自适应能力的快速人体姿态估计方法，包括：
S100：接收输入图像。
S200：采用具有自适应调整计算量的卷积神经网络进行人体姿态估计。
其中，参见图2-图3，
S201：将所述输入图像进行特征抽取，对抽取的特征进行初步处理，得到人体姿态相关特征和人体姿态估计的初步结果；
在本申请实施例中，输入图片Image经过Stem模块抽取特征，其中Stem模块由一系列的卷积和激活函数构成。Stem之后的网络会分成Initial stage和一系列Refine Stage。
S202：将所述初步结果与所述人体姿态相关特征进行精修，得到人体姿态检测结果，对所述人体姿态检测结果进行进一步精修，直至其与上一阶段的人体姿态检测结果的差异数值小于预设阈值；该阶段的人体姿态检测结果作为最终的人体姿态估计结果进行输出.
在本申请实施例中，Initial Stage模块对Stem输出的特征进行进一步处理，输出人体姿态相关的特征，经过Pose Head的处理，输出Initial Out，也就是人体姿态估计的初步结果。
在本申请实施例中，后面的Refine Stage会对前一阶段的人体姿态估计的初步结果进行精修。它的输入包括Initial stage的特征和Initial stage的姿态估计结果，Refine Stage的输出经过Pose Head的处理得到人体姿态检测结果。经过多个阶段的Refine Stage的逐步修正，姿态检测的结果会越来越准确。
在本申请实施例中，每一个Refine Stage的输出可以与上一个阶段的输出作为对比，并计算差异数值，如果该差异数值小于某一个阈值，则可以停止后续Refine Stage的计算，而把当前的输出作为最终的人体姿态检测结果。对于简单的人体姿态，网络只需要少量几个Refine Stage就可以得到精确的人体姿态检测结果，从而可以终止不必要的计算。而对于比较复杂的人体姿态，网络会计算所有Refine Stage，并采用最后一个Refine Stage的结果最为最终结果，经过多个Refine Stage的逐步精修，最后的结果会更加准确。从系统角度来看，本专利提出的网络具有自适应调节计算量的能力，在给定一个整体的计算量预算的情况下，可以获得更高的平均精确度。
在本申请实施例中，具有自适应调整计算量的卷积神经网络过程如下图4所示。与推理过程的区别在于，训练需要计算网络输出与Ground Truth的差异作为loss，采用梯度下降减小loss值，达到学习网络参数的目的。
与上面的方法实施例相对应，参见图5，本申请实施例还提供了一种具有计算量自适应能力的快速人体姿态估计装置500，包括：
图像接收装置501，所述图像接收装置501接收输入图像；
人体姿态估计装置502，所述人体姿态估计装置502采用具有自适应调整计算量的卷积神经网络进行人体姿态估计，其中，将所述输入图像进行特征抽取，对抽取的特征进行初步处理，得到人体姿态相关特征和人体姿态估计的初步结果；将所述初步结果与所述人体姿态相关特征进行精修，得到人体姿态检测结果，对所述人体姿态检测结果进行进一步精修，直至其与上一阶段的人体姿态检测结果的差异数值小于预设阈值；该阶段的人体姿态检测结果作为最终的人体姿态估计结果进行输出；
人体姿态估计结果输出装置503，所述人体姿态估计结果输出装置503将最终的人体姿态估计结果进行输出。
图5所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图6，本申请实施例还提供了一种电子设备600，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的具有计算量自适应能力的快速人体姿态估计方法。
本申请实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的具有计算量自适应能力的快速人体姿态估计方法。
本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的的具有计算量自适应能力的快速人体姿态估计方法。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备600的结构示意图。本申请实施例中的电子设备600可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备700仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备600，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。
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609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本申请实施例的方法中限定的上述功能。
需要说明的是，本公开上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：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，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：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
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操作的计算机程序代码，上述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。
描述于本申请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。其中，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，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种具有计算量自适应能力的快速人体姿态估计方法，其特征在于，所述方法包括：
接收输入图像；
采用具有自适应调整计算量的卷积神经网络进行人体姿态估计，所述具有自适应调整计算量的卷积神经网络依次包括stem模块，初始化模块和精修模块，所述精修模块包括若干精修子模块，每个精修子模块代表一个精修阶段，其中，
将所述输入图像进行特征抽取，对抽取的特征进行初步处理，得到人体姿态相关特征和人体姿态估计的初步结果；
将所述初步结果与所述人体姿态相关特征进行精修，得到人体姿态检测结果，对所述人体姿态检测结果进行进一步精修，直至其与上一阶段的人体姿态检测结果的差异数值小于预设阈值；
第一精修阶段的精修子模块的处理方法为，将初始化模块输出的所述初步结果与所述人体姿态相关特征进行精修，得到人体姿态检测结果进行输出；
第二精修阶段到第N阶段的精修子模块的处理方法为，将上一精修阶段的人体姿态检测结果进行进一步精修，得到该精修阶段的人体姿态检测结果进行输出；
每个精修阶段的输出与上一阶段的输出进行对比，计算差异数值，当差异数值小于设定阈值时，停止后续阶段的计算；
该阶段的人体姿态检测结果作为最终的人体姿态估计结果进行输出。
2.根据权利要求1所述的一种具有计算量自适应能力的快速人体姿态估计方法，其特征在于，所述stem模块由若干卷积函数和激活函数构成，所述stem模块的处理方法为将所述输入图像进行特征抽取。
3.根据权利要求1所述的一种具有计算量自适应能力的快速人体姿态估计方法，其特征在于，所述初始化模块的处理方法为，initialstage模块对所述stem模块输出的特征进行进一步处理，输出人体姿态相关的特征，经过Pose Head的处理，输出人体姿态估计的初步结果。
4.根据权利要求1所述的一种具有计算量自适应能力的快速人体姿态估计方法，其特征在于，所述具有自适应调整计算量的卷积神经网络的训练过程计算网络输出与GroundTruth的差异作为loss，并采用梯度下降法降低loss值。
5.一种具有计算量自适应能力的快速人体姿态估计装置，其特征在于，包括：
图像接收装置，所述图像接收装置接收输入图像；
人体姿态估计装置，所述人体姿态估计装置采用具有自适应调整计算量的卷积神经网络进行人体姿态估计，所述具有自适应调整计算量的卷积神经网络依次包括stem模块，初始化模块和精修模块，所述精修模块包括若干精修子模块，每个精修子模块代表一个精修阶段，其中，将所述输入图像进行特征抽取，对抽取的特征进行初步处理，得到人体姿态相关特征和人体姿态估计的初步结果；将所述初步结果与所述人体姿态相关特征进行精修，得到人体姿态检测结果，对所述人体姿态检测结果进行进一步精修，直至其与上一阶段的人体姿态检测结果的差异数值小于预设阈值；该阶段的人体姿态检测结果作为最终的人体姿态估计结果进行输出；
所述人体姿态估计装置包括：
第一精修阶段模块，用于第一精修阶段的精修子模块的处理方法为，将初始化模块输出的所述初步结果与所述人体姿态相关特征进行精修，得到人体姿态检测结果进行输出；
第二精修阶段模块，用于第二精修阶段到第N阶段的精修子模块的处理方法为，将上一精修阶段的人体姿态检测结果进行进一步精修，得到该精修阶段的人体姿态检测结果进行输出；
差异计算模块，用于每个精修阶段的输出与上一阶段的输出进行对比，计算差异数值，当差异数值小于设定阈值时，停止后续阶段的计算；人体姿态估计结果输出装置，所述人体姿态估计结果输出装置将最终的人体姿态估计结果进行输出。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-4中任一项所述的具有计算量自适应能力的快速人体姿态估计方法。
7.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-4中任一项所述的具有计算量自适应能力的快速人体姿态估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110145463.7A CN112800991B (zh) | 2021-02-02 | 2021-02-02 | 一种具有计算量自适应能力的快速人体姿态估计方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110145463.7A CN112800991B (zh) | 2021-02-02 | 2021-02-02 | 一种具有计算量自适应能力的快速人体姿态估计方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112800991A CN112800991A (zh) | 2021-05-14 |
| CN112800991B true CN112800991B (zh) | 2024-06-18 |
Family
ID=75813774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110145463.7A Active CN112800991B (zh) | 2021-02-02 | 2021-02-02 | 一种具有计算量自适应能力的快速人体姿态估计方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112800991B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109871800A (zh) * | 2019-02-13 | 2019-06-11 | 北京健康有益科技有限公司 | 一种人体姿态估计方法、装置和存储介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019216593A1 (en) * | 2018-05-11 | 2019-11-14 | Samsung Electronics Co., Ltd. | Method and apparatus for pose processing |
| CN110472462B (zh) * | 2018-05-11 | 2024-08-20 | 北京三星通信技术研究有限公司 | 姿态估计方法、基于姿态估计的处理方法及电子设备 |
| EP3579196A1 (en) * | 2018-06-05 | 2019-12-11 | Cristian Sminchisescu | Human clothing transfer method, system and device |
| KR20200013174A (ko) * | 2018-07-20 | 2020-02-06 | 오치민 | 다중 합성곱 신경망을 이용한 영상 내 관절 좌표 예측 방법 |
| CN111160085A (zh) * | 2019-11-19 | 2020-05-15 | 天津中科智能识别产业技术研究院有限公司 | 一种人体图像关键点姿态估计方法 |
| CN110889393A (zh) * | 2019-12-10 | 2020-03-17 | 上海芯翌智能科技有限公司 | 人体姿态估计方法及设备 |
| CN111339969B (zh) * | 2020-03-02 | 2023-06-20 | 深圳市瑞立视多媒体科技有限公司 | 人体姿势估计方法、装置、设备及存储介质 |
| CN112036244A (zh) * | 2020-07-30 | 2020-12-04 | 广东技术师范大学 | 一种基于神经网络的人体姿态估计方法 |
-
2021
- 2021-02-02 CN CN202110145463.7A patent/CN112800991B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109871800A (zh) * | 2019-02-13 | 2019-06-11 | 北京健康有益科技有限公司 | 一种人体姿态估计方法、装置和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于卷积神经网络的人体姿态估计算法综述;彭帅;黄宏博;陈伟骏;胡志颖;袁铭阳;;北京信息科技大学学报(自然科学版)(第03期);62-69 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112800991A (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220093085A1 (en) | Always-On Keyword Detector | |
| CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
| CN112270200B (zh) | 一种文本信息的翻译方法、装置、电子设备和存储介质 | |
| CN111968647B (zh) | 语音识别方法、装置、介质及电子设备 | |
| CN110211017B (zh) | 图像处理方法、装置及电子设备 | |
| CN110009101B (zh) | 用于生成量化神经网络的方法和装置 | |
| CN113327599B (zh) | 语音识别方法、装置、介质及电子设备 | |
| CN109359727B (zh) | 神经网络的结构确定方法、装置、设备及可读介质 | |
| CN112241761B (zh) | 模型训练方法、装置和电子设备 | |
| CN110717467A (zh) | 头部姿势的估计方法、装置、设备及存储介质 | |
| CN113610228B (zh) | 神经网络模型的构建方法及装置 | |
| CN110555861A (zh) | 光流计算方法、装置及电子设备 | |
| CN112380883B (zh) | 模型训练方法、机器翻译方法、装置、设备及存储介质 | |
| CN112800991B (zh) | 一种具有计算量自适应能力的快速人体姿态估计方法、装置及电子设备 | |
| CN116188251A (zh) | 模型构建方法、虚拟形象生成方法、装置、设备、介质 | |
| CN110197459A (zh) | 图像风格化生成方法、装置及电子设备 | |
| CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
| CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
| CN111581455B (zh) | 文本生成模型的生成方法、装置和电子设备 | |
| CN115829827A (zh) | 人脸图像处理方法、装置、设备及介质 | |
| CN112926735B (zh) | 深度强化学习模型的更新方法、装置、框架、介质及设备 | |
| CN113327600B (zh) | 一种语音识别模型的训练方法、装置及设备 | |
| CN111598037B (zh) | 人体姿态预测值的获取方法、装置，服务器及存储介质 | |
| CN111814807B (zh) | 用于处理图像的方法、装置、电子设备和计算机可读介质 | |
| CN113808050B (zh) | 3d点云的去噪方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |