CN114005177B - 人物交互检测方法、神经网络及其训练方法、设备和介质 - Google Patents

人物交互检测方法、神经网络及其训练方法、设备和介质 Download PDF

Info

Publication number
CN114005177B
CN114005177B CN202111272717.8A CN202111272717A CN114005177B CN 114005177 B CN114005177 B CN 114005177B CN 202111272717 A CN202111272717 A CN 202111272717A CN 114005177 B CN114005177 B CN 114005177B
Authority
CN
China
Prior art keywords
features
target
interaction
feature
sub
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
Application number
CN202111272717.8A
Other languages
English (en)
Other versions
CN114005177A (zh
Inventor
周德森
王健
孙昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111272717.8A priority Critical patent/CN114005177B/zh
Publication of CN114005177A publication Critical patent/CN114005177A/zh
Priority to US17/976,668 priority patent/US20230047628A1/en
Priority to EP22204584.1A priority patent/EP4123591A3/en
Application granted granted Critical
Publication of CN114005177B publication Critical patent/CN114005177B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Psychiatry (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了人物交互检测方法、神经网络及其训练方法、设备和介质，涉及人工智能领域，具体涉及计算机视觉技术和深度学习技术。该方法包括：对多个待检测图像的图像特征进行第一目标特征提取，以得到多个第一目标特征；对多个图像特征进行第一交互特征提取，以得到多个第一交互特征及其得分；基于多个第一交互特征各自的得分，在多个第一交互特征中确定至少一部分第一交互特征；基于至少一部分第一交互特征和多个图像特征确定多个第一动作特征；对多个第一目标特征进行处理以得到待检测图像中的多个目标的目标信息；对多个第一动作特征进行处理以得到待检测图像中的一个或多个动作的动作信息；以及将目标和动作进行匹配以得到人物交互检测结果。

Description

人物交互检测方法、神经网络及其训练方法、设备和介质
技术领域
本公开涉及人工智能领域，具体涉及计算机视觉技术和深度学习技术，特别涉及一种人物交互检测方法、用于人物交互检测的神经网络的训练方法、用于人物交互检测的神经网络、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
图像人物交互关系检测任务，需要同时检测人体、物体以及他们的交互关系，对图像中有交互关系的人体-物体配对，输出<人体，物体，动作>三元组。该任务需要进行目标检测，并同时分类人体动作，在图像物体、人体拥挤时，非常具有挑战性。人物交互关系检测可应用在视频监控等领域，监管人体行为。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种人物交互检测方法、用于人物交互检测的神经网络的训练方法、用于人物交互检测的神经网络、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种人物交互检测方法，包括：获取待检测图像的多个图像特征；对多个图像特征进行第一目标特征提取，以得到多个第一目标特征；对多个图像特征进行第一交互特征提取，以得到多个第一交互特征和多个第一交互特征各自的得分；基于多个第一交互特征各自的得分，在多个第一交互特征中确定至少一部分第一交互特征；基于至少一部分第一交互特征和多个图像特征确定多个第一动作特征；对多个第一目标特征进行处理，以得到待检测图像中的多个目标的目标信息，其中，多个目标包括一个或多个人体目标和一个或多个物体目标；对多个第一动作特征进行处理，以得到待检测图像中的一个或多个动作的动作信息，其中，一个或多个动作中的每一个动作与一个或多个人体目标中的一个人体目标和一个或多个物体目标中的一个物体目标相关联；以及将多个目标和一个或多个动作进行匹配，以得到人物交互检测结果。
根据本公开的另一方面，提供了一种用于人物交互检测的神经网络的训练方法。神经网络包括图像特征提取子网络、第一目标特征提取子网络、第一交互特征提取子网络、第一动作特征提取子网络、目标检测子网络、动作识别子网络、以及人物交互检测子网络。该训练方法包括：获取样本图像和样本图像的真实人物交互标签；将样本图像输入图像特征提取子网络，以获取多个样本图像特征；将多个样本图像特征输入第一目标特征提取子网络，以获取多个第一目标特征；将多个样本图像特征输入第一交互特征提取子网络，其中，第一交互特征提取子网络被配置为接收多个样本图像特征，以输出多个第一交互特征和多个第一交互特征各自的得分；基于多个第一交互特征各自的得分，在多个第一交互特征中确定至少一部分第一交互特征；将至少一部分第一交互特征和多个样本图像特征输入第一动作特征提取子网络，其中，第一动作特征提取子网络被配置为接收至少一部分第一交互特征和多个样本图像特征，以输出多个第一动作特征；将多个第一目标特征输入目标检测子网络，其中，目标检测子网络被配置为接收多个第一目标特征，以输出样本图像中的多个目标的目标信息，其中，多个目标包括一个或多个人体目标和一个或多个物体目标；将多个第一动作特征输入动作识别子网络，其中，动作识别子网络被配置为接收多个第一动作特征，以输出样本图像中的一个或多个动作的动作信息，其中，一个或多个动作中的每一个动作与一个或多个人体目标中的一个人体目标和一个或多个物体目标中的一个物体目标相关联；将多个目标和一个或多个动作输入人物交互检测子网络，以获取预测人物交互标签；基于预测人物交互标签和真实人物交互标签，计算损失值；以及基于损失值，调整神经网络的参数。
根据本公开的另一方面，提供了一种用于人物交互检测的神经网络，包括：图像特征提取子网络，被配置为接收待检测图像以输出待检测图像的多个图像特征；第一目标特征提取子网络，被配置为接收多个图像特征以输出多个第一目标特征；第一交互特征提取子网络，被配置为接收多个图像特征，以输出多个第一交互特征和多个第一交互特征各自的得分；第一筛选子网络，被配置为基于多个第一交互特征各自的得分，在多个第一交互特征中确定至少一部分第一交互特征；第一动作特征提取子网络，被配置为接收至少一部分第一交互特征和多个图像特征，以输出多个第一动作特征；目标检测子网络，被配置为接收多个第一目标特征，以输出待检测图像中的多个目标的目标信息，其中，多个目标包括一个或多个人体目标和一个或多个物体目标；动作识别子网络，被配置为接收多个第一动作特征，以输出待检测图像中的一个或多个动作的动作信息，其中，一个或多个动作中的每一个动作与一个或多个人体目标中的一个人体目标和一个或多个物体目标中的一个物体目标相关联；以及人物交互检测子网络，被配置为接收多个目标和一个或多个动作，以输出人物交互检测结果。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述方法。
根据本公开的一个或多个实施例，通过将人物交互关系检测和动作识别两个任务解耦，先在多个图像特征中筛选出得分最高的、最有可能包含有人物交互动作信息的特征，并基于这些特征确定待检测图像中的人物交互动作，从而能够提高动作识别任务的召回率，并提升人物交互检测方法的泛化能力。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开示例性实施例的人物交互检测方法的流程图；
图3示出了根据本公开示例性实施例的人物交互检测方法的流程图；
图4示出了根据本公开示例性实施例的将目标和动作进行匹配的流程图；
图5示出了根据本公开示例性实施例的人物交互检测方法的流程图；
图6示出了根据本公开示例性实施例的用于人物交互检测的神经网络的训练方法的流程图；
图7示出了根据本公开示例性实施例的用于人物交互检测的神经网络的训练方法的流程图；
图8示出了根据本公开示例性实施例的用于人物交互检测的神经网络的训练方法的流程图；
图9示出了根据本公开示例性实施例的用于人物交互检测的神经网络的结构框图；
图10示出了根据本公开示例性实施例的用于人物交互检测的神经网络的结构框图；
图11示出了根据本公开示例性实施例的用于人物交互检测的神经网络的结构框图；以及
图12出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
相关技术中，现有的人物交互关系检测方法或采用一阶段的方法直接输出三元组，或分别进行目标检测和动作识别并将得到的目标和动作进行匹配。然而，前者的可解释性差且难以得到准确结果，后者在目标检测和动作识别两个子任务间缺少交互，容易陷入局部最优解。
为解决上述问题，本公开通过将人物交互关系检测和动作识别两个任务解耦，先在多个图像特征中筛选出得分最高的、最有可能包含有人物交互动作信息的特征，并基于这些特征识别待检测图像中的人物交互动作，从而能够提高动作识别任务的召回率，并提升人物交互检测方法的泛化能力。
在本公开中，神经网络的“子网络”并不一定具有基于由神经元构成的层的神经网络结构，也可能具有其他类型的网络结构或使用其他处理方法对输入子网络的数据、特征等进行处理，在此不做限定。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行人物交互检测方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来输入用于进行人物交互检测的图像或视频。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
根据本公开的一方面，提供了一种人物交互检测方法。如图2所示，该方法包括：步骤S201、获取待检测图像的多个图像特征；步骤S202、对多个图像特征进行第一目标特征提取，以得到多个第一目标特征；步骤S203、对多个图像特征进行第一交互特征提取，以得到多个第一交互特征和多个第一交互特征各自的得分；步骤S204、基于多个第一交互特征各自的得分，在多个第一交互特征中确定至少一部分第一交互特征；步骤S205、基于至少一部分第一交互特征和多个图像特征确定多个第一动作特征；步骤S206、对多个第一目标特征进行处理，以得到待检测图像中的多个目标的目标信息，其中，多个目标包括一个或多个人体目标和一个或多个物体目标；步骤S207、对多个第一动作特征进行处理，以得到待检测图像中的一个或多个动作的动作信息，其中，一个或多个动作中的每一个动作与一个或多个人体目标中的一个人体目标和一个或多个物体目标中的一个物体目标相关联；以及步骤S208、将多个目标和一个或多个动作进行匹配，以得到人物交互检测结果。
由此，通过将人物交互关系检测和动作识别两个任务解耦，先在多个图像特征中筛选出得分最高的、最有可能包含有人物交互动作信息的特征，并基于这些特征确定待检测图像中的人物交互动作，从而能够提高动作识别任务的召回率，并提升人物交互检测方法的泛化能力。
根据一些实施例，待检测图像例如可以为任意包含有人物-物体交互的图像。在一些实施例中，待检测图像中可以包括多个目标，这些目标包括一个或多个人体目标和一个或多个物体目标。此外，待检测图像中还可以包括一个或多个动作，每一个动作与一个或多个人体目标中的一个人体目标和一个或多个物体目标中的一个物体目标相关联。
在本公开中，“动作”可以用于指示人体和物体之间具有交互关系，而并非指代某种具体的动作。“动作”可以进一步包括多个具体的子动作。在一个示例性实施例中，待检测图像中包括手持杯子在喝水的人，则待检测图像中对应的人体(喝水的人)和对应的物体(杯子)之间具有动作，该动作包括“举杯”和“喝水”两个子动作。由此，通过识别人体和物体之间的动作，可以确定人体和物体之间具有交互关系，进而可以再对相应的动作特征进行分析，确定该人体和该物体之间具体发生的子动作。
在一些实施例中，获取待检测图像的图像特征例如可以是基于ResNet50、ResNet101等现有的图像特征提取主干网络而得到的。在一些实施例中，在主干网络之后，还可以使用Transformer编码器进一步提取图像特征。通过使用上述方法，可以得到与待检测图像对应的单个图像特征，也可以得到与待检测图像对应的多个图像特征，在此不做限定。在一个示例性实施例中，利用主干网络对待检测图像进行处理，以得到尺寸为H×W×C的图像特征(即，特征图)，再将其展开，以得到尺寸为C×HW的图像特征(即，HW个长度为C的一维图像特征)。将这些图像特征输入到Transformer编码器中，可以得到同样尺寸(即，同样数量)的强化后的图像特征，以用于进行进一步处理。
根据一些实施例，可以使用预先训练好的卷积神经网络对图像特征进行处理，以得到用于进行目标检测的第一目标特征。第一目标特征可以进一步输入到预先训练好的目标检测子网络中，以得到待检测图像中所包括的目标及其目标信息。
根据一些实施例，可以使用Transformer解码器对图像特征进行解码，以得到解码后的第一目标特征。在一些实施例中，图像特征包括对应的多个图像-键特征和多个图像-值特征，即特征K和特征V。特征K和特征V例如可以是使用不同的一组参数矩阵WK、WV对图像特征进行映射而得到的，其中，WK、WV是训练得到的。
根据一些实施例，步骤S202、对多个图像特征进行第一目标特征提取，以得到多个第一目标特征可以包括：获取预先训练的多个目标-查询特征，即特征Q；以及针对多个目标-查询特征中的每一个目标-查询特征，基于该目标-查询特征对多个图像-键特征的查询结果和多个图像-值特征，确定与该目标-查询特征对应的第一目标特征。在一些实施例中，还可以级联多个Transformer解码器，用于强化第一目标特征。由此，通过使用目标-查询特征，可以在多个图像-键特征中进行查询，以得到更可能包含有目标信息的图像-值特征，并基于这些图像-值特征，提取出多个第一目标特征。
类似地，可以使用另外一个预先训练好的卷积神经网络对图像特征进行处理，以得到包含有人物交互信息的多个第一交互特征。第一交互特征可以作为查询特征Q继续对图像特征进行查询，以得到包含有人体和物体之间的动作信息的动作特征。
根据一些实施例，可以使用另一个Transformer解码器对图像特征进行解码，以得到解码后的第一交互特征。在一些实施例中，图像特征包括对应的多个图像-键特征和多个图像-值特征，即特征K和特征V。特征K和特征V例如可以是使用不同的一组参数矩阵WK、WV对图像特征进行映射而得到的，其中，WK、WV是训练得到的。这里使用的参数矩阵和上文用于提取目标特征时所使用的参数矩阵可以相同，也可以不同，在此不做限定。
根据一些实施例，步骤S203、对多个图像特征进行第一交互特征提取，以得到多个第一交互特征和多个第一交互特征各自的得分可以包括：获取预先训练的多个交互-查询特征；针对多个交互-查询特征中的每一个交互-查询特征，基于该交互-查询特征对多个图像-键特征的查询结果和多个图像-值特征，确定与该交互-查询特征对应的第一交互特征；以及分别对多个第一交互特征中的每一个第一交互特征进行处理，以得到该第一交互特征的得分。
由此，通过使用交互-查询特征，可以在多个图像-键特征中进行查询，以得到更可能包含有动作信息的图像-值特征。需要注意的是，作为交互-查询特征的特征Q与上文作为目标-查询特征的特征Q可以不同。在一些实施例中，还可以级联多个Transformer解码器，用于强化第一交互特征。
根据一些实施例，第一交互特征的得分可以是该第一交互特征中包含有动作信息的概率。在一个示例性实施例中，可以使用zi∈[0,1]表示多个第一交互特征中的第i个第一交互特征的得分。
根据一些实施例，可以训练一个多层感知机用于对第一交互特征进行处理以确定该第一交互特征的得分，也可以使用其他方式确定每一个第一交互特征的得分，在此不做限定。
在得到多个第一交互特征和相应的得分后，可以对这些第一交互特征进行筛选，以从中挑选出最有可能具有动作信息的至少一部分第一交互特征。
根据一些实施例，至少一部分第一交互特征包括以下中至少一项：得分最高的预设数量的第一交互特征；得分最高的预设比例的第一交互特征；以及得分超过预设阈值的第一交互特征。在一个示例性实施例中，可以使用Top-K方式对多个第一交互特征进行筛选。可以理解的是，本领域技术人员还可以使用其他方式对多个第一交互特征进行筛选，在此不做限定。由此，通过选出得分最高的部分第一交互特征，能够减少后续动作识别任务需要处理的特征的数量，并提升了输入动作识别任务的第一交互特征的质量。
在筛选出至少一部分第一交互特征后，可以将这些第一交互特征和图像特征进行进一步处理，以得到多个第一动作特征。在一些实施例中，可以对第一交互特征和图像特征进行融合，也可以训练多层感知机或卷积神经网络等模型以对第一交互特征和图像特征进行处理，还可以使用其他方式对第一交互特征和图像特征进行处理以得到第一动作特征，在此不做限定。
根据一些实施例，可以使用Transformer解码器，利用第一交互特征对图像特征进行解码，以得到解码后的第一交互特征。步骤S205、基于至少一部分第一交互特征和多个图像特征确定多个第一动作特征可以包括：针对至少一部分第一交互特征中的每一个第一交互特征，基于该第一交互特征对多个图像-键特征的查询结果和多个图像-值特征，确定与该第一交互特征对应的第一动作特征。由此，通过使用基于Transformer解码器进行查询的方法，可以在得到包含有相应的人体交互动作信息的动作特征的同时，使用自注意力机制对特征进行强化，从而能够提升后续动作识别任务和人物交互检测任务输出结果的准确性。
根据一些实施例，针对至少一部分第一交互特征中的每一个第一交互特征，基于该第一交互特征对多个图像-键特征的查询结果和多个图像-值特征，确定与该第一交互特征对应的第一动作特征可以包括：将至少一部分第一交互特征作为Transformer解码器的查询特征Q，将多个图像-键特征和对应的多个图像-值特征作为Transformer解码器的键特征K和值特征V，以得到Transformer解码器输出的多个第一动作特征。
在得到多个第一动作特征和多个第一目标特征后，可以分别对其进行处理以得到待检测图像中的至少一个动作的动作信息和多个目标的目标信息。
根据一些实施例，目标信息例如可以包括对应的目标的类型、包围对应的目标的检测框和置信度。在一些实施例中，步骤S206、对多个目标特征进行处理例如可以包括使用多层感知机来回归物体的定位、分类类别和相应的置信度。
根据一些实施例，一个或多个动作中的每一个动作可以包括对应的人体目标和对应的物体目标之间的至少一个子动作，动作信息例如可以包括至少一个子动作中的每一个子动作的类型和置信度。在一些实施例中，步骤S207、对多个动作特征进行处理例如可以包括使用多层感知机处理每一个动作特征，以得到与该动作特征相关的人体和物体之间的每一个子动作对应的而分类结果和相应的置信度。
可以理解的是，本领域技术人员可以自行选择相应的目标检测方法和动作识别方法以对目标特征和动作特征进行处理，以得到所需的目标检测结果和动作识别结果，在此不做限定。
根据一些实施例，步骤S208、将多个目标和一个或多个动作进行匹配例如可以是对多个目标各自对应的目标特征和一个或多个动作各自对应的动作特征计算相似度进行的，也可以是对相应的目标特征和相应的交互特征进行相似度计算进行的，还可以是基于其他方式进行的，在此不做限定。
根据一些实施例，如图3所示，人物交互检测方法还可以包括：步骤S308、对至少一部分第一交互特征中的每一个第一交互特征进行第一人体子特征嵌入，以得到对应的第一交互-人体子特征；以及步骤S309、对至少一部分第一交互特征中的每一个第一交互特征进行第一物体子特征嵌入，以得到对应的第一交互-物体子特征。图3中的步骤S301-步骤S307、步骤S311的操作分别与图2中的步骤S201-步骤S208类似，在此不做赘述。
根据一些实施例，如图4所示，步骤S311、将多个目标和一个或多个动作进行匹配可以包括：步骤S401、针对一个或多个动作中的每一个动作，基于该动作对应的第一动作特征对应的第一交互特征的第一交互-人体子特征，在多个第一目标特征中确定第一人体目标特征；步骤S402、基于该动作对应的第一动作特征对应的第一交互特征的第一交互-物体子特征，在多个第一目标特征中确定第一物体目标特征；以及步骤S403、将第一人体目标特征对应的目标、第一物体目标特征对应的目标和该动作进行关联。
由此，通过将交互特征嵌入为人体子特征和物体子特征，从而将与人体子特征最相关的目标确定为对应的人体目标，将与物体子特征最相关的目标确定为对应的物体目标，以实现交互特征对应的动作与目标之间的匹配。
根据一些实施例，第一人体子特征嵌入和第一物体子特征嵌入例如均可以是利用多层感知机(MLP)实现的，但两个嵌入使用的参数不同。第一交互-人体子特征例如可以表示为第一交互-物体子特征例如可以表示为/>其中d为特征向量的长度，i表示每一个动作特征。需要注意的是，两个子特征的特征向量长度相同。
根据一些实施例，如图3所示，人物交互检测方法还可以包括：步骤S310、针对每一个第一目标特征，生成与该第一目标特征对应的第一目标-匹配子特征。步骤S401、在多个第一目标特征中确定第一人体目标特征可以包括：基于该动作对应的第一动作特征对应的第一交互特征的第一交互-人体子特征，在多个第一目标特征对应的多个第一目标-匹配子特征中确定第一人体目标特征。步骤S402、在多个第一目标特征中确定第一物体目标特征可以包括：基于该动作对应的第一动作特征对应的第一交互特征的第一交互-物体子特征，在多个第一目标特征对应的多个第一目标-匹配子特征中确定第一物体目标特征。
由此，通过将目标特征嵌入为匹配子特征，以同人体子特征和物体子特征进行匹配，从而使得目标检测任务和目标与动作进行匹配的任务使用不同的特征向量，避免干扰，提升了两个任务的准确性。
根据一些实施例，针对每一个第一目标特征，生成与该第一目标特征对应的第一目标-匹配子特征同样可以是利用多层感知机(MLP)进行嵌入而实现的，但这里使用的参数和第一人体子特征嵌入、第一物体子特征嵌入所使用的参数不同。在一个示例性实施例中第一目标-匹配子特征可以表示为μj∈Rd，其中d为特征向量的长度，j表示每一个目标特征，并且匹配子特征与上述人体子特征、物体子特征的长度相同。
根据一些实施例，步骤S401、确定第一至少一个第一目标特征可以包括：基于对应的第一交互-人体子特征和多个第一目标特征中的每一个第一目标特征的相似度，确定第一至少一个第一目标特征。步骤S402、确定第二至少一个第一目标特征可以包括：基于对应的第一交互-物体子特征和多个第一目标特征中的每一个第一目标特征的相似度，确定第二至少一个第一目标特征。可以理解的是，本领域技术人员可以根据需求使用其他方式在多个第一目标中确定第一至少一个第一目标特征和第二至少一个第一目标特征，例如可以使用神经网络处理相应的人体子特征、物体子特征和第一目标特征以计算相关性等等，在此不做限定。
在一个示例性实施例中，第一至少一个第一目标特征可以仅包括一个第一目标特征，第二至少一个第一目标特征也可以仅包括一个第一目标特征。步骤S401和步骤S402的确定过程可以通过如下公式进行表示：
其中，和/>的与基于第一动作特征所确定人体子特征对应的目标和与基于第一动作特征所确定物体子特征对应的目标。
根据一些实施例，步骤S311、将多个目标和一个或多个动作进行匹配还可以包括：基于匹配得到的相应的人体目标的置信度、相应的物体目标的置信度、相应的动作的置信度、以及相应的动作对应的第一动作特征对应的第一交互特征的得分，确定相应的人物交互检测结果的得分。由此，通过基于匹配得到的对应的人体目标、物体目标、动作、交互各自的置信度/得分，确定该匹配结果的最终得分。
根据一些实施例，可以将匹配得到的相应的人体目标的置信度、相应的物体目标的置信度、相应的动作的置信度、以及相应的动作对应的第一动作特征对应的第一交互特征的得分相乘，以得到相应的人物交互检测结果的得分。通过将交互检测、动作识别、目标检测等多个中间任务输出结果的置信度相乘，能够得到最终输出的匹配结果的置信度，并基于匹配结果的置信度判断相应的人体目标和物体目标之间是否存在相应的子动作。可以理解的是，本领域技术人员可以自行设置规则以进行相关判断，并输出最终的人物交互检测结果，在此不做限定。
根据一些实施例，在提取目标特征时，可以进行多轮特征提取操作，以强化目标特征中的与目标相关的信息。如图5所示，人物交互检测方法还可以包括：步骤S506、对多个第一目标特征进行第二目标特征提取，以得到多个第二目标特征。可以理解的是，图5中的步骤S501-步骤S505、步骤S510-步骤S512的操作与图2中的步骤S201-步骤S208的操作类似，在此不做赘述。
根据一些实施例，步骤S510、对多个第一目标特征进行处理可以包括：对多个第二目标特征进行处理。由此，通过对目标特征的第二轮强化，能够进一步增强目标特征，以提升目标检测任务输出的结果和最终的人物交互检测结果的准确性。
根据一些实施例，在提取动作特征时，可以进行多轮特征筛选和提取操作，以筛选出更可能具有与动作相关的信息的特征，并强化这些动作特征中的与动作相关的信息。如图5所示，人物交互检测方法还可以包括：步骤S507、对多个第一动作特征进行第二交互特征提取，以得到多个第二交互特征和多个第二交互特征各自的得分；步骤S508、基于多个第二交互特征各自的得分，在多个第二交互特征中确定至少一部分第二交互特征；步骤S509、基于至少一部分第二交互特征和多个图像特征确定一个或多个第二动作特征。
根据一些实施例，步骤S511、对多个第一动作特征进行处理可以包括：对一个或多个第二动作特征进行处理。由此，通过对交互特征和目标特征的第二轮筛选与强化，能够得到更有可能具有动作信息的动作特征，以提升动作识别任务输出的结果和最终的人物交互检测结果的准确性。
根据本公开的另一方面，提供了一种神经网络训练方法。神经网络包括图像特征提取子网络、第一目标特征提取子网络、第一交互特征提取子网络、第一动作特征提取子网络、目标检测子网络、动作识别子网络、以及人物交互检测子网络。如图6所示，神经网络训练方法包括：步骤S601、获取样本图像和样本图像的真实人物交互标签；步骤S602、将样本图像输入图像特征提取子网络，以获取多个样本图像特征；步骤S603、将多个样本图像特征输入第一目标特征提取子网络，以获取多个第一目标特征；步骤S604、将多个样本图像特征输入第一交互特征提取子网络，其中，第一交互特征提取子网络被配置为接收多个样本图像特征，以输出多个第一交互特征和多个第一交互特征各自的得分；步骤S605、基于多个第一交互特征各自的得分，在多个第一交互特征中确定至少一部分第一交互特征；步骤S606、将至少一部分第一交互特征和多个样本图像特征输入第一动作特征提取子网络，其中，第一动作特征提取子网络被配置为接收至少一部分第一交互特征和多个样本图像特征，以输出多个第一动作特征；步骤S607、将多个第一目标特征输入目标检测子网络，其中，目标检测子网络被配置为接收多个第一目标特征，以输出样本图像中的多个目标的目标信息，其中，多个目标包括一个或多个人体目标和一个或多个物体目标；步骤S608、将多个第一动作特征输入动作识别子网络，其中，动作识别子网络被配置为接收多个第一动作特征，以输出样本图像中的一个或多个动作的动作信息，其中，一个或多个动作中的每一个动作与一个或多个人体目标中的一个人体目标和一个或多个物体目标中的一个物体目标相关联；步骤S609、将多个目标和一个或多个动作输入人物交互检测子网络，以获取预测人物交互标签；步骤S610、基于预测人物交互标签和真实人物交互标签，计算损失值；以及步骤S611、基于损失值，调整神经网络的参数。可以理解的是，图6中的步骤S602-步骤S609对样本图像的操作与图2中的步骤S201-步骤S208对待检测图像的操作类似，并且步骤S201-步骤S208中的每一个步骤的操作都可以由具有相应功能的神经网络或子神经网络实现，因此对图6中的这些步骤不做赘述。
由此，通过将人物交互关系检测和动作识别两个任务解耦，先在多个图像特征中筛选出得分最高的、最有可能包含有人物交互动作信息的特征，并基于这些特征确定样本图像中的人物交互动作，从而能够提高训练好的神经网络得到的动作识别任务的结果的召回率，并提升利用训练好的神经网络实现的人物交互检测方法的泛化能力。
根据一些实施例，样本图像例如可以为任意包含有人物-物体交互的图像。在一些实施例中，样本图像中可以包括多个目标，这些目标包括一个或多个人体目标和一个或多个物体目标。此外，样本图像中还可以包括一个或多个动作，每一个动作与一个或多个人体目标中的一个人体目标和一个或多个物体目标中的一个物体目标相关联。在一些实施例中，样本图像的真实人物交互标签是通过人工标注的。
在一些实施例中，获取样本图像的图像特征例如可以是基于ResNet50、ResNet101等现有的图像特征提取主干网络而得到的。在一些实施例中，在主干网络之后，还可以使用Transformer编码器进一步提取图像特征。通过使用上述方法，可以得到与样本图像对应的单个图像特征，也可以得到与样本图像对应的多个图像特征，在此不做限定。在一个示例性实施例中，利用主干网络对样本图像进行处理，以得到尺寸为H×W×C的图像特征(即，特征图)，再将其展开，以得到尺寸为C×HW的图像特征(即，HW个长度为C的一维图像特征)。将这些图像特征输入到Transformer编码器中，可以得到同样尺寸(即，同样数量)的强化后的图像特征，以用于进行进一步处理。
根据一些实施例，可以使用Transformer解码器对图像特征进行解码，以得到解码后的第一目标特征。在一些实施例中，图像特征包括对应的多个图像-键特征和多个图像-值特征，即特征K和特征V。特征K和特征V例如可以是使用不同的一组参数矩阵WK、WV对图像特征进行映射而得到的，其中，WK、WV是训练得到的。
根据一些实施例，第一动作特征提取子网络可以被进一步配置为：获取预先训练的多个目标-查询特征，即特征Q；以及针对多个目标-查询特征中的每一个目标-查询特征，基于该目标-查询特征对多个图像-键特征的查询结果和多个图像-值特征，确定与该目标-查询特征对应的第一目标特征。在一些实施例中，还可以级联多个Transformer解码器，用于强化第一目标特征。由此，通过使用目标-查询特征，可以在多个图像-键特征中进行查询，以得到更可能包含有目标信息的图像-值特征，并基于这些图像-值特征，提取出多个第一目标特征。
根据一些实施例，可以使用另一个Transformer解码器对图像特征进行解码，以得到解码后的第一交互特征。在一些实施例中，图像特征包括对应的多个图像-键特征和多个图像-值特征，即特征K和特征V。特征K和特征V例如可以是使用不同的一组参数矩阵WK、WV对图像特征进行映射而得到的，其中，WK、WV是训练得到的。这里使用的参数矩阵和上文用于提取目标特征时所使用的参数矩阵可以相同，也可以不同，在此不做限定。
根据一些实施例，第一交互特征提取子网络可以被进一步配置为：获取预先训练的多个交互-查询特征；针对多个交互-查询特征中的每一个交互-查询特征，基于该交互-查询特征对多个图像-键特征的查询结果和多个图像-值特征，确定与该交互-查询特征对应的第一交互特征；以及分别对多个第一交互特征中的每一个第一交互特征进行处理，以得到该第一交互特征的得分。
由此，通过使用交互-查询特征，可以在多个图像-键特征中进行查询，以得到更可能包含有动作信息的图像-值特征。需要注意的是，作为交互-查询特征的特征Q与上文作为目标-查询特征的特征Q可以不同。在一些实施例中，还可以级联多个Transformer解码器，用于强化第一交互特征。
根据一些实施例，第一交互特征的得分可以是该第一交互特征中包含有动作信息的概率。在一个示例性实施例中，可以使用zi∈[0,1]表示多个第一交互特征中的第i个第一交互特征的得分。
根据一些实施例，可以训练一个多层感知机用于对第一交互特征进行处理以确定该第一交互特征的得分，也可以使用其他方式确定每一个第一交互特征的得分，在此不做限定。
在得到多个第一交互特征和相应的得分后，可以对这些第一交互特征进行筛选，以从中挑选出最有可能具有动作信息的至少一部分第一交互特征。
根据一些实施例，至少一部分第一交互特征包括以下中至少一项：得分最高的预设数量的第一交互特征；得分最高的预设比例的第一交互特征；以及得分超过预设阈值的第一交互特征。在一个示例性实施例中，可以使用Top-K方式对多个第一交互特征进行筛选。可以理解的是，本领域技术人员可以自行设定相应的预设数量、预设比例和预设阈值，也可以使用其他方式对多个第一交互特征进行筛选，在此不做限定。由此，通过选出得分最高的部分第一交互特征，能够减少后续动作识别任务需要处理的特征的数量，并提升了输入动作识别任务的第一交互特征的质量。
在筛选出至少一部分第一交互特征后，可以将这些第一交互特征和图像特征进行进一步处理，以得到多个第一动作特征。在一些实施例中，可以对第一交互特征和图像特征进行融合，也可以训练多层感知机或卷积神经网络等模型以对第一交互特征和图像特征进行处理，还可以使用其他方式对第一交互特征和图像特征进行处理以得到第一动作特征，在此不做限定。
根据一些实施例，可以使用Transformer解码器，利用第一交互特征对图像特征进行解码，以得到解码后的第一交互特征。第一动作特征提取子网络可以被进一步配置为：针对至少一部分第一交互特征中的每一个第一交互特征，基于该第一交互特征对多个图像-键特征的查询结果和多个图像-值特征，确定与该第一交互特征对应的第一动作特征。由此，通过使用基于Transformer解码器进行查询的方法，可以在得到包含有相应的人体交互动作信息的动作特征的同时，使用自注意力机制对特征进行强化，从而能够提升后续动作识别任务和人物交互检测任务输出结果的准确性。
根据一些实施例，针对至少一部分第一交互特征中的每一个第一交互特征，基于该第一交互特征对多个图像-键特征的查询结果和多个图像-值特征，确定与该第一交互特征对应的第一动作特征可以包括：将至少一部分第一交互特征作为Transformer解码器的查询特征Q，将多个图像-键特征和对应的多个图像-值特征作为Transformer解码器的键特征K和值特征V，以得到Transformer解码器输出的多个第一动作特征。
在得到多个第一动作特征和多个第一目标特征后，可以分别对其进行处理以得到待检测图像中的至少一个动作的动作信息和多个目标的目标信息。
根据一些实施例，目标检测子网络可以为任何能够实现目标检测任务的子网络，包括各类传统模型和神经网络模型。可以理解的是，本领域技术人员可以根据需求选择合适的现有模型作为目标检测子网络，也可以自行设计目标检测子网络，在此不做限定。
目标检测子网络能够基于输入的目标特征输出样本图像所包括的目标的目标信息。根据一些实施例，目标信息例如可以包括对应的目标的类型、包围对应的目标的检测框和置信度。在一些实施例中，目标检测子网络可以被配置为使用多层感知机来回归目标的定位、分类类别和相应的置信度。
根据一些实施例，动作识别子网络可以为任何能够实现动作识别任务的子网络，包括各类传统模型和神经网络模型。可以理解的是，本领域技术人员可以根据需求选择合适的现有模型作为动作识别子网络，也可以自行设计动作识别子网络，在此不做限定。
动作识别子网络能够基于输入的动作特征输出样本图像所包括的动作的动作信息。根据一些实施例，一个或多个动作中的每一个动作可以包括对应的人体目标和对应的物体目标之间的至少一个子动作，动作信息例如可以包括至少一个子动作中的每一个子动作的类型和置信度。在一些实施例中，动作识别子网络可以被配置为使用多层感知机处理每一个动作特征，以得到与该动作特征相关的人体和物体之间的每一个子动作对应的而分类结果和相应的置信度。
可以理解的是，本领域技术人员可以自行选择相应的目标检测子网络和动作识别子网络以对目标特征和动作特征进行处理，以得到所需的目标检测结果和动作识别结果，在此不做限定。
根据一些实施例，人物交互检测子网络可以被配置为对多个目标各自对应的目标特征和一个或多个动作各自对应的动作特征计算相似度，也可以被配置为对相应的目标特征和相应的交互特征计算相似度，还可以被配置为基于其他方式进行的目标和动作之间的匹配，在此不做限定。
根据一些实施例，神经网络还可以包括第一人体子特征嵌入子网络和第一物体子特征嵌入子网络。如图7所示，训练方法还可以包括：步骤S709、将至少一部分第一交互特征中的每一个第一交互特征输入第一人体子特征嵌入子网络，其中，第一人体子特征嵌入子网络被配置为接收第一交互特征，以得到对应的第一交互-人体子特征；以及步骤S710、将至少一部分第一交互特征中的每一个第一交互特征输入第一物体子特征嵌入子网络，其中，第一物体特征嵌入子网络被配置为接收第一交互特征，以得到对应的第一交互-物体子特征，图7中的步骤S701-步骤S708、步骤S712-步骤S714的操作分别与图6中的步骤S601-步骤S611类似，在此不做赘述。
根据一些实施例，人物交互检测子网络可以被进一步配置为：针对一个或多个动作中的每一个动作，基于该动作对应的第一动作特征对应的第一交互特征的第一交互-人体子特征，在多个第一目标特征中确定第一人体目标特征；基于该动作对应的第一动作特征对应的第一交互特征的第一交互-物体子特征，在多个第一目标特征中确定第一物体目标特征；以及将第一人体目标特征对应的目标、第一物体目标特征对应的目标和该动作进行关联。
由此，通过将交互特征嵌入为人体子特征和物体子特征，从而将与人体子特征最相关的目标确定为对应的人体目标，将与物体子特征最相关的目标确定为对应的物体目标，以实现交互特征对应的动作与目标之间的匹配。
根据一些实施例，如图7所示，训练方法还可以包括：步骤S711、将多个第一目标特征中的每一个第一目标特征输入第一目标特征嵌入子网络，其中，第一目标特征嵌入子网络被配置为接收第一目标特征，以得到对应的第一目标-匹配子特征。在多个第一目标特征中确定第一人体目标特征可以包括：基于该动作对应的第一动作特征对应的第一交互特征的第一交互-人体子特征，在多个第一目标特征对应的多个第一目标-匹配子特征中确定第一人体目标特征。在多个第一目标特征中确定第一物体目标特征可以包括：基于该动作对应的第一动作特征对应的第一交互特征的第一交互-物体子特征，在多个第一目标特征对应的多个第一目标-匹配子特征中确定第一物体目标特征。
由此，通过将目标特征嵌入为匹配子特征，以同人体子特征和物体子特征进行匹配，从而使得目标检测任务和目标与动作进行匹配的任务使用不同的特征向量，避免干扰，提升了两个任务的准确性。
根据一些实施例，确定第一至少一个第一目标特征可以包括：基于对应的第一交互-人体子特征和多个第一目标特征中的每一个第一目标特征的相似度，确定第一至少一个第一目标特征。确定第二至少一个第一目标特征可以包括：基于对应的第一交互-物体子特征和多个第一目标特征中的每一个第一目标特征的相似度，确定第二至少一个第一目标特征。可以理解的是，本领域技术人员可以根据需求使用其他方式在多个第一目标中确定第一至少一个第一目标特征和第二至少一个第一目标特征，例如可以使用神经网络处理相应的人体子特征、物体子特征和第一目标特征以计算相关性等等，在此不做限定。
根据一些实施例，人物交互检测子网络能够输出相应的检测结果，即预测人物交互标签。该结果能够表征在样本图像中检测到的多组人体和物体间的动作。在一些实施例中，人物交互检测结果中的每一组动作包括对应的人体目标的检测框及其置信度、对应的物体目标的检测框及其置信度、以及该人体目标和该物体之间的至少一个子动作的类型及其置信度。
根据一些实施例，人物交互检测子网络可以被进一步配置为：基于匹配得到的相应的人体目标的置信度、相应的物体目标的置信度、相应的动作的置信度、以及相应的动作对应的第一动作特征对应的第一交互特征的得分，确定相应的人物交互检测结果的得分。由此，通过基于匹配得到的对应的人体目标、物体目标、动作、交互各自的置信度/得分，确定该匹配结果的最终得分。
根据一些实施例，可以将匹配得到的相应的人体目标的置信度、相应的物体目标的置信度、相应的动作的置信度、以及相应的动作对应的第一动作特征对应的第一交互特征的得分相乘，以得到相应的人物交互检测结果的得分。通过将交互检测、动作识别、目标检测等多个中间任务输出结果的置信度相乘，能够得到最终输出的匹配结果的置信度，并基于匹配结果的置信度判断相应的人体目标和物体目标之间是否存在相应的子动作。可以理解的是，本领域技术人员可以自行设置规则以进行相关判断，并输出最终的人物交互检测结果，在此不做限定。
根据一些实施例，在得到人物交互检测结果即预测人物交互标签后，可以基于预测人物交互标签和真实人物交互标签，计算损失值，并进一步基于损失值调整上述神经网络中的各个子网络的参数。在一些实施例中，可以使用多个样本进行多批次、多轮训练，直至神经网络收敛。在一些实施例中，神经网络中的部分子网络可以预训练、单独训练或组合训练，以优化整体训练流程。可以理解的是，本领域技术人员还可以使用其他方式对神经网络及其子网络进行训练，在此不做限定。
根据一些实施例，在提取目标特征时，可以进行多轮特征提取操作，以强化目标特征中的与目标相关的信息。如图8所示，人物交互检测方法还可以包括：步骤S807、将多个第一目标特征输入第二目标特征提取子网络，以获取多个第二目标特征。可以理解的是，图8中的步骤S801-步骤S806、步骤S811-步骤S815的操作与图6中的步骤S601-步骤S611的操作类似，在此不做赘述。
根据一些实施例，步骤S811、将多个第一动作特征输入动作识别子网络可以包括：将一个或多个第二动作特征输入动作识别子网络。动作识别子网络可以被进一步配置为接收一个或多个第二动作特征，以输出样本图像中的一个或多个动作的动作信息。
由此，通过对目标特征的第二轮强化，能够进一步增强目标特征，以提升训练好的神经网络执行目标检测中间任务输出的中间结果和最终输出的人物交互检测结果的准确性。
根据一些实施例，在提取动作特征时，可以进行多轮特征筛选和提取操作，以筛选出更可能具有与动作相关的信息的特征，并强化这些动作特征中的与动作相关的信息。如图8所示，人物交互检测方法还可以包括：步骤S808、将多个第一动作特征输入第二交互特征提取子网络，以获取多个第二交互特征和多个第二交互特征各自的得分；步骤S809、基于多个第二交互特征各自的得分，在多个第二交互特征中确定至少一部分第二交互特征；步骤S810、将至少一部分第二交互特征和多个样本图像特征输入第二动作特征提取子网络，以获取一个或多个第二动作特征。
根据一些实施例，步骤S812、将多个第一动作特征输入动作识别子网络可以包括：将一个或多个第二动作特征输入动作识别子网络。动作识别子网络可以被进一步配置为接收一个或多个第二动作特征，以输出样本图像中的一个或多个动作的动作信息。由此，通过对交互特征和目标特征的第二轮筛选与强化，能够得到更有可能具有动作信息的动作特征，以提升训练好的神经网络执行动作识别中间任务输出的中间结果和最终输出的人物交互检测结果的准确性。
根据本公开的另一方面，还提供了一种用于人物交互检测的神经网络。如图9所示，神经网络900包括：图像特征提取子网络901，被配置为接收待检测图像909以输出待检测图像的多个图像特征；第一目标特征提取子网络902，被配置为接收多个图像特征以输出多个第一目标特征；第一交互特征提取子网络903，被配置为接收多个图像特征，以输出多个第一交互特征和多个第一交互特征各自的得分；第一筛选子网络904，被配置为基于多个第一交互特征各自的得分，在多个第一交互特征中确定至少一部分第一交互特征；第一动作特征提取子网络905，被配置为接收至少一部分第一交互特征和多个图像特征，以输出多个第一动作特征；目标检测子网络906，被配置为接收多个第一目标特征，以输出待检测图像中的多个目标的目标信息，其中，多个目标包括一个或多个人体目标和一个或多个物体目标；动作识别子网络907，被配置为接收多个第一动作特征，以输出待检测图像中的一个或多个动作的动作信息，其中，一个或多个动作中的每一个动作与一个或多个人体目标中的一个人体目标和一个或多个物体目标中的一个物体目标相关联；以及人物交互检测子网络908，被配置为接收多个目标和一个或多个动作，以输出人物交互检测结果910。可以理解的是，神经网络900中的子网络901-子网络908的操作与图2中的步骤S201-步骤S208的操作类似，在此不做赘述。
由此，通过将人物交互关系检测和动作识别两个任务解耦，先在多个图像特征中筛选出得分最高的、最有可能包含有人物交互动作信息的特征，并基于这些特征确定待检测图像中的人物交互动作，从而能够提高动作识别任务的召回率，并提升人物交互检测方法的泛化能力。
根据一些实施例，待检测图像例如可以为任意包含有人物-物体交互的图像。在一些实施例中，待检测图像中可以包括多个目标，这些目标包括一个或多个人体目标和一个或多个物体目标。此外，待检测图像中还可以包括一个或多个动作，每一个动作与一个或多个人体目标中的一个人体目标和一个或多个物体目标中的一个物体目标相关联。
在一些实施例中，图像特征提取子网络901例如可以是基于ResNet50、ResNet101等现有的图像特征提取主干网络。在一些实施例中，图像特征提取子网络901还可以包括在主干网络之后的Transformer编码器，以进一步提取图像特征。通过使用上述方法，可以得到与待检测图像对应的单个图像特征，也可以得到与待检测图像对应的多个图像特征，在此不做限定。在一个示例性实施例中，利用主干网络对待检测图像进行处理，以得到尺寸为H×W×C的图像特征(即，特征图)，再将其展开，以得到尺寸为C×HW的图像特征(即，HW个长度为C的一维图像特征)。将这些图像特征输入到Transformer编码器中，可以得到同样尺寸(即，同样数量)的强化后的图像特征，以用于进行进一步处理。
根据一些实施例，可以使用Transformer解码器作为第一目标特征提取子网络902对图像特征进行解码，以得到解码后的第一目标特征。在一些实施例中，图像特征包括对应的多个图像-键特征和多个图像-值特征，即特征K和特征V。特征K和特征V例如可以是使用不同的一组参数矩阵WK、WV对图像特征进行映射而得到的，其中，WK、WV是训练得到的。
根据一些实施例，第一目标特征提取子网络902可以被进一步配置为：获取预先训练的多个目标-查询特征，即特征Q；以及针对多个目标-查询特征中的每一个目标-查询特征，基于该目标-查询特征对多个图像-键特征的查询结果和多个图像-值特征，确定与该目标-查询特征对应的第一目标特征。在一些实施例中，还可以级联多个Transformer解码器，用于强化第一目标特征。由此，通过使用目标-查询特征，可以在多个图像-键特征中进行查询，以得到更可能包含有目标信息的图像-值特征，并基于这些图像-值特征，提取出多个第一目标特征。
根据一些实施例，可以使用另一个Transformer解码器作为第一交互特征提取子网络903对图像特征进行解码，以得到解码后的第一交互特征。在一些实施例中，图像特征包括对应的多个图像-键特征和多个图像-值特征，即特征K和特征V。特征K和特征V例如可以是使用不同的一组参数矩阵WK、WV对图像特征进行映射而得到的，其中，WK、WV是训练得到的。这里使用的参数矩阵和上文用于提取目标特征时所使用的参数矩阵可以相同，也可以不同，在此不做限定。
根据一些实施例，第一交互特征提取子网络903可以被进一步配置为：获取预先训练的多个交互-查询特征；针对多个交互-查询特征中的每一个交互-查询特征，基于该交互-查询特征对多个图像-键特征的查询结果和多个图像-值特征，确定与该交互-查询特征对应的第一交互特征；以及分别对多个第一交互特征中的每一个第一交互特征进行处理，以得到该第一交互特征的得分。
由此，通过使用交互-查询特征，可以在多个图像-键特征中进行查询，以得到更可能包含有动作信息的图像-值特征。需要注意的是，作为交互-查询特征的特征Q与上文作为目标-查询特征的特征Q可以不同。在一些实施例中，还可以级联多个Transformer解码器，用于强化第一交互特征。
根据一些实施例，第一交互特征的得分可以是该第一交互特征中包含有动作信息的概率。在一个示例性实施例中，可以使用zi∈[0,1]表示多个第一交互特征中的第i个第一交互特征的得分。
根据一些实施例，可以训练一个多层感知机用于对第一交互特征进行处理以确定该第一交互特征的得分，也可以使用其他方式确定每一个第一交互特征的得分，在此不做限定。
在得到多个第一交互特征和相应的得分后，可以利用第一筛选子网络904对这些第一交互特征进行筛选，以从中挑选出最有可能具有动作信息的至少一部分第一交互特征。
根据一些实施例，至少一部分第一交互特征包括以下中至少一项：得分最高的预设数量的第一交互特征；得分最高的预设比例的第一交互特征；以及得分超过预设阈值的第一交互特征。在一个示例性实施例中，可以使用Top-K方式对多个第一交互特征进行筛选。可以理解的是，本领域技术人员还可以使用其他方式对多个第一交互特征进行筛选，在此不做限定。由此，通过选出得分最高的部分第一交互特征，能够减少后续动作识别任务需要处理的特征的数量，并提升了输入动作识别任务的第一交互特征的质量。
在筛选出至少一部分第一交互特征后，可以将这些第一交互特征和图像特征进行进一步处理，以得到多个第一动作特征。在一些实施例中，可以对第一交互特征和图像特征进行融合，也可以训练多层感知机或卷积神经网络等模型以对第一交互特征和图像特征进行处理，还可以使用其他方式对第一交互特征和图像特征进行处理以得到第一动作特征，在此不做限定。
根据一些实施例，可以使用Transformer解码器作为第一动作特征提取子网络905，以利用第一交互特征对图像特征进行解码，从而得到解码后的第一交互特征。第一动作特征提取子网络905可以被进一步配置为：针对至少一部分第一交互特征中的每一个第一交互特征，基于该第一交互特征对多个图像-键特征的查询结果和多个图像-值特征，确定与该第一交互特征对应的第一动作特征。由此，通过使用基于Transformer解码器进行查询的方法，可以在得到包含有相应的人体交互动作信息的动作特征的同时，使用自注意力机制对特征进行强化，从而能够提升后续动作识别任务和人物交互检测任务输出结果的准确性。
根据一些实施例，针对至少一部分第一交互特征中的每一个第一交互特征，基于该第一交互特征对多个图像-键特征的查询结果和多个图像-值特征，确定与该第一交互特征对应的第一动作特征可以包括：将至少一部分第一交互特征作为Transformer解码器的查询特征Q，将多个图像-键特征和对应的多个图像-值特征作为Transformer解码器的键特征K和值特征V，以得到Transformer解码器输出的多个第一动作特征。
在得到多个第一动作特征和多个第一目标特征后，可以分别对其进行处理以得到待检测图像中的至少一个动作的动作信息和多个目标的目标信息。
根据一些实施例，目标检测子网络906可以为任何能够实现目标检测任务的子网络，包括各类传统模型和神经网络模型。可以理解的是，本领域技术人员可以根据需求选择合适的现有模型作为目标检测子网络，也可以自行设计目标检测子网络，在此不做限定。
目标检测子网络能够基于输入的目标特征输出样本图像所包括的目标的目标信息。根据一些实施例，目标信息例如可以包括对应的目标的类型、包围对应的目标的检测框和置信度。在一些实施例中，目标检测子网络906例如可以被配置为使用多层感知机来回归目标的定位、分类类别和相应的置信度。
根据一些实施例，动作识别子网络907可以为任何能够实现动作识别任务的子网络，包括各类传统模型和神经网络模型。可以理解的是，本领域技术人员可以根据需求选择合适的现有模型作为动作识别子网络，也可以自行设计动作识别子网络，在此不做限定。
动作识别子网络能够基于输入的动作特征输出样本图像所包括的动作的动作信息。根据一些实施例，一个或多个动作中的每一个动作可以包括对应的人体目标和对应的物体目标之间的至少一个子动作，动作信息例如可以包括至少一个子动作中的每一个子动作的类型和置信度。在一些实施例中，动作识别子网络907例如可以被配置为使用多层感知机处理每一个动作特征，以得到与该动作特征相关的人体和物体之间的每一个子动作对应的而分类结果和相应的置信度。
可以理解的是，本领域技术人员可以自行选择相应的目标检测子网络和动作识别子网络以对目标特征和动作特征进行处理，以得到所需的目标检测结果和动作识别结果，在此不做限定。
根据一些实施例，人物交互检测子网络908可以被配置为对多个目标各自对应的目标特征和一个或多个动作各自对应的动作特征计算相似度，也可以被配置为对相应的目标特征和相应的交互特征计算相似度，还可以被配置为基于其他方式进行的目标和动作之间的匹配，在此不做限定。
根据一些实施例，如图10所示，神经网络1000还可以包括：第一人体子特征嵌入子网络1008，被配置为接收第一交互特征，以输出对应的第一交互-人体子特征；以及第一物体子特征嵌入子网络1009，被配置为接收第一交互特征，以输出对应的第一交互-物体子特征。图10中的子网络1001-子网络1007、子网络1011的操作分别与图9中的子网络901-子网络908的操作类似，输入1012和输出1013分别与输入909和输出910类似，在此不做赘述。
根据一些实施例，人物交互检测子网络1011可以被进一步配置为：针对一个或多个动作中的每一个动作基于该动作对应的第一动作特征对应的第一交互特征的第一交互-人体子特征，在多个第一目标特征中确定第一人体目标特征；基于该动作对应的第一动作特征对应的第一交互特征的第一交互-物体子特征，在多个第一目标特征中确定第一物体目标特征；以及将第一人体目标特征对应的目标、第一物体目标特征对应的目标和该动作进行关联。
由此，通过将交互特征嵌入为人体子特征和物体子特征，从而将与人体子特征最相关的目标确定为对应的人体目标，将与物体子特征最相关的目标确定为对应的物体目标，以实现交互特征对应的动作与目标之间的匹配。
根据一些实施例，如图10所示，神经网络1000还可以包括：第一目标特征嵌入子网络1010，被配置为接收第一目标特征，以输出对应的第一目标-匹配子特征。在多个第一目标特征中确定第一人体目标特征可以包括：基于该动作对应的第一动作特征对应的第一交互特征的第一交互-人体子特征，在多个第一目标特征对应的多个第一目标-匹配子特征中确定第一人体目标特征。在多个第一目标特征中确定第一物体目标特征可以包括：基于该动作对应的第一动作特征对应的第一交互特征的第一交互-物体子特征，在多个第一目标特征对应的多个第一目标-匹配子特征中确定第一物体目标特征。
由此，通过将目标特征嵌入为匹配子特征，以同人体子特征和物体子特征进行匹配，从而使得目标检测任务和目标与动作进行匹配的任务使用不同的特征向量，避免干扰，提升了两个任务的准确性。
根据一些实施例，在多个第一目标特征中确定第一人体目标特征可以包括：基于对应的第一交互-人体子特征和多个第一目标特征中的每一个第一目标特征的相似度，确定第一人体目标特征。在多个第一目标特征中确定第一物体目标特征可以包括：基于对应的第一交互-物体子特征和多个第一目标特征中的每一个第一目标特征的相似度，确定第一物体目标特征。可以理解的是，本领域技术人员可以根据需求使用其他方式在多个第一目标中确定第一至少一个第一目标特征和第二至少一个第一目标特征，例如可以使用神经网络处理相应的人体子特征、物体子特征和第一目标特征以计算相关性等等，在此不做限定。
根据一些实施例，人物交互检测子网络1011能够输出相应的检测结果，即预测人物交互标签。该结果能够表征在样本图像中检测到的多组人体和物体间的动作。在一些实施例中，人物交互检测结果中的每一组动作包括对应的人体目标的检测框及其置信度、对应的物体目标的检测框及其置信度、以及该人体目标和该物体之间的至少一个子动作的类型及其置信度。
根据一些实施例，人物交互检测子网络1011可以被进一步配置为：基于匹配得到的相应的人体目标的置信度、相应的物体目标的置信度、相应的动作的置信度、以及相应的动作对应的第一动作特征对应的第一交互特征的得分，确定相应的人物交互检测结果的得分。
根据一些实施例，可以将匹配得到的相应的人体目标的置信度、相应的物体目标的置信度、相应的动作的置信度、以及相应的动作对应的第一动作特征对应的第一交互特征的得分相乘，以得到相应的人物交互检测结果的得分。通过将交互检测、动作识别、目标检测等多个中间任务输出结果的置信度相乘，能够得到最终输出的匹配结果的置信度，并基于匹配结果的置信度判断相应的人体目标和物体目标之间是否存在相应的子动作。可以理解的是，本领域技术人员可以自行设置规则以进行相关判断，并输出最终的人物交互检测结果，在此不做限定。
根据一些实施例，在提取目标特征时，可以进行多轮特征提取操作，以强化目标特征中的与目标相关的信息。如图11所示，神经网络1100还可以包括：第二目标特征提取子网络1106，被配置为接收述多个第一目标特征，以输出多个第二目标特征。可以理解的是，图11中的子网络1101-子网络1105、子网络1110-子网络1112的操作与图9中的子网络901-子网908的操作类似，输入1113和输出1114分别与输入909和输出910类似，在此不做赘述。
根据一些实施例，目标检测子网络1110可以被进一步配置为接收多个第二目标特征，以输出待检测图像中的多个目标的目标信息。由此，通过对目标特征的第二轮强化，能够进一步增强目标特征，以提升目标检测任务输出的结果和最终的人物交互检测结果的准确性。
根据一些实施例，在提取动作特征时，可以进行多轮特征筛选和提取操作，以筛选出更可能具有与动作相关的信息的特征，并强化这些动作特征中的与动作相关的信息。如图11所示，神经网络1100还可以包括：第二交互特征提取子网络1107，被配置为接收多个第一动作特征，以输出多个第二交互特征和多个第二交互特征各自的得分；第二筛选子网络1108，被配置为基于多个第二交互特征各自的得分，在多个第二交互特征中确定至少一部分第二交互特征；以及第二动作特征提取子网络1109，被配置为接收至少一部分第二交互特征和多个图像特征，以输出一个或多个第二动作特征。
根据一些实施例，动作识别子网络1111可以被进一步配置为接收一个或多个第二动作特征，以输出待检测图像中的一个或多个动作的动作信息。由此，通过对交互特征和目标特征的第二轮筛选与强化，能够得到更有可能具有动作信息的动作特征，以提升动作识别任务输出的结果和最终的人物交互检测结果的准确性。
根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
参考图12，现将描述可以作为本公开的服务器或客户端的电子设备1200的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图12所示，设备1200包括计算单元1201，其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序，来执行各种适当的动作和处理。在RAM 1203中，还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205，包括：输入单元1206、输出单元1207、存储单元1208以及通信单元1209。输入单元1206可以是能向设备1200输入信息的任何类型的设备，输入单元1206可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1207可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1208可以包括但不限于磁盘、光盘。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习网络算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理，例如人物交互检测的方法和神经网络训练方法。例如，在一些实施例中，处理人物交互检测的方法和神经网络训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1208。在一些实施例中，计算机程序的部分或者全部可以经由ROM1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时，可以执行上文描述的人物交互检测的方法和神经网络训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1201可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行处理人物交互检测的方法和神经网络训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括一个或多个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、一个或多个输入装置、和一个或多个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该一个或多个输入装置、和该一个或多个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (41)

1.一种人物交互检测的方法，包括：
基于图像特征提取主干网络，获取待检测图像的多个图像特征；
对所述多个图像特征进行处理，以得到多个第一目标特征；
对所述多个图像特征进行处理，以得到多个第一交互特征和所述多个第一交互特征各自的得分，所述第一交互特征的得分指示该第一交互特征中包含有动作信息的可能性；
基于所述多个第一交互特征各自的得分，在所述多个第一交互特征中确定至少一部分第一交互特征；
利用所述至少一部分第一交互特征对所述多个图像特征进行查询，以得到多个第一动作特征；
对所述多个第一目标特征中的每一个第一目标特征进行目标检测，以得到所述待检测图像中的多个目标的目标信息，其中，所述多个目标包括一个或多个人体目标和一个或多个物体目标，所述目标信息包括对应的目标的类型、包围所述对应的目标的检测框和置信度；
对所述多个第一动作特征中的每一个第一动作特征进行动作识别，以得到所述待检测图像中的一个或多个动作的动作信息，其中，所述一个或多个动作中的每一个动作与所述一个或多个人体目标中的一个人体目标和所述一个或多个物体目标中的一个物体目标相关联；以及
基于所述多个目标各自对应的第一目标特征和所述一个或多个动作各自对应的第一交互特征，将所述多个目标和所述一个或多个动作进行匹配，以得到人物交互检测结果。
2.如权利要求1所述的方法，其中，所述图像特征包括对应的多个图像-键特征和多个图像-值特征，
其中，对所述多个图像特征进行处理，以得到多个第一交互特征和所述多个第一交互特征各自的得分包括：
获取预先训练的多个交互-查询特征；
针对所述多个交互-查询特征中的每一个交互-查询特征，基于该交互-查询特征对所述多个图像-键特征的查询结果和所述多个图像-值特征，确定与该交互-查询特征对应的第一交互特征；以及
分别对所述多个第一交互特征中的每一个第一交互特征进行处理，以得到该第一交互特征的得分。
3.如权利要求1所述的方法，其中，所述图像特征包括对应的多个图像-键特征和多个图像-值特征，
其中，利用所述至少一部分第一交互特征对所述多个图像特征进行查询，以得到多个第一动作特征包括：
针对所述至少一部分第一交互特征中的每一个第一交互特征，基于该第一交互特征对所述多个图像-键特征的查询结果和所述多个图像-值特征，确定与该第一交互特征对应的第一动作特征。
4.如权利要求1所述的方法，其中，所述多个图像特征包括对应的多个图像-键特征和多个图像-值特征，
其中，对所述图像特征进行处理，以得到多个第一目标特征包括：
获取预先训练的多个目标-查询特征；以及
针对所述多个目标-查询特征中的每一个目标-查询特征，基于该目标-查询特征对所述多个图像-键特征的查询结果和所述多个图像-值特征，确定与该目标-查询特征对应的第一目标特征。
5.如权利要求1所述的方法，还包括：
对所述至少一部分第一交互特征中的每一个第一交互特征进行第一人体子特征嵌入，以得到对应的第一交互-人体子特征；以及
对所述至少一部分第一交互特征中的每一个第一交互特征进行第一物体子特征嵌入，以得到对应的第一交互-物体子特征，
其中，将所述多个目标和所述一个或多个动作进行匹配包括：
针对所述一个或多个动作中的每一个动作：
基于该动作对应的第一动作特征对应的第一交互特征的第一交互-人体子特征，在所述多个第一目标特征中确定第一人体目标特征；
基于该动作对应的第一动作特征对应的第一交互特征的第一交互-物体子特征，在所述多个第一目标特征中确定第一物体目标特征；以及
将所述第一人体目标特征对应的目标、所述第一物体目标特征对应的目标和该动作进行关联。
6.如权利要求5所述的方法，还包括：
针对所述每一个第一目标特征，生成与该第一目标特征对应的第一目标-匹配子特征，
其中，在所述多个第一目标特征中确定第一人体目标特征包括：
基于该动作对应的第一动作特征对应的第一交互特征的第一交互-人体子特征，在所述多个第一目标特征对应的多个第一目标-匹配子特征中确定第一人体目标特征，
并且其中，在所述多个第一目标特征中确定第一物体目标特征包括：
基于该动作对应的第一动作特征对应的第一交互特征的第一交互-物体子特征，在所述多个第一目标特征对应的多个第一目标-匹配子特征中确定第一物体目标特征。
7.如权利要求5所述的方法，其中，在所述多个第一目标特征中确定第一人体目标特征包括：
基于所述对应的第一交互-人体子特征和所述多个第一目标特征中的每一个第一目标特征的相似度，确定所述第一人体目标特征，
其中，在所述多个第一目标特征中确定第一物体目标特征包括：
基于所述对应的第一交互-物体子特征和所述多个第一目标特征中的每一个第一目标特征的相似度，确定所述第一物体目标特征。
8.如权利要求1所述的方法，其中，所述至少一部分第一交互特征包括以下中至少一项：
得分最高的预设数量的第一交互特征；
得分最高的预设比例的第一交互特征；以及
得分超过预设阈值的第一交互特征。
9.如权利要求1所述的方法，其中，所述目标信息包括置信度，其中，所述动作信息包括置信度，
其中，将所述多个目标和所述一个或多个动作进行匹配，以得到人物交互检测结果包括：
基于匹配得到的相应的人体目标的置信度、相应的物体目标的置信度、相应的动作的置信度、以及所述相应的动作对应的第一动作特征对应的第一交互特征的得分，确定相应的人物交互检测结果的得分。
10.如权利要求1所述的方法，还包括：
对所述多个第一动作特征进行处理，以得到多个第二交互特征和所述多个第二交互特征各自的得分，所述第二交互特征的得分指示该第二交互特征中包含有动作信息的可能性；
基于所述多个第二交互特征各自的得分，在所述多个第二交互特征中确定至少一部分第二交互特征；以及
利用所述至少一部分第二交互特征对所述多个图像特征进行查询，以得到一个或多个第二动作特征，
其中，对所述多个第一动作特征中的每一个第一动作特征进行动作识别包括：
对所述一个或多个第二动作特征中的每一个第二动作特征进行动作识别。
11.如权利要求1所述的方法，还包括：
对所述多个第一目标特征进行处理，以得到多个第二目标特征，
其中，对所述多个第一目标特征中的每一个第一目标特征进行目标检测包括：
对所述多个第二目标特征中的每一个第二目标特征进行目标检测。
12.如权利要求1-11中任一项所述的方法，其中，所述目标信息包括对应的目标的类型、包围所述对应的目标的检测框和置信度。
13.如权利要求1-11中任一项所述的方法，其中，所述一个或多个动作中的每一个动作包括对应的人体目标和对应的物体目标之间的至少一个子动作，其中，所述动作信息包括所述至少一个子动作中的每一个子动作的类型和置信度。
14.一种用于人物交互检测的神经网络的训练方法，其中，所述神经网络包括图像特征提取子网络、第一目标特征提取子网络、第一交互特征提取子网络、第一动作特征提取子网络、目标检测子网络、动作识别子网络、以及人物交互检测子网络，其中，所述方法包括：
获取样本图像和所述样本图像的真实人物交互标签；
将样本图像输入所述图像特征提取子网络，以获取多个样本图像特征，所述图像特征提取子网络包括图像特征提取主干网络；
将所述多个样本图像特征输入所述第一目标特征提取子网络，以获取多个第一目标特征；
将所述多个样本图像特征输入所述第一交互特征提取子网络，其中，所述第一交互特征提取子网络被配置为接收所述多个样本图像特征，以输出多个第一交互特征和所述多个第一交互特征各自的得分，所述第一交互特征的得分指示该第一交互特征中包含有动作信息的可能性；
基于所述多个第一交互特征各自的得分，在所述多个第一交互特征中确定至少一部分第一交互特征；
将所述至少一部分第一交互特征和所述多个样本图像特征输入所述第一动作特征提取子网络，其中，所述第一动作特征提取子网络被配置为利用所述至少一部分第一交互特征对所述多个样本图像特征进行查询，以输出多个第一动作特征；
将所述多个第一目标特征输入所述目标检测子网络，其中，所述目标检测子网络被配置为接收所述多个第一目标特征，以输出所述样本图像中的多个目标的目标信息，其中，所述多个目标包括一个或多个人体目标和一个或多个物体目标，所述目标信息包括对应的目标的类型、包围所述对应的目标的检测框和置信度；
将所述多个第一动作特征输入所述动作识别子网络，其中，所述动作识别子网络被配置为接收所述多个第一动作特征，以输出所述样本图像中的一个或多个动作的动作信息，其中，所述一个或多个动作中的每一个动作与所述一个或多个人体目标中的一个人体目标和所述一个或多个物体目标中的一个物体目标相关联；
将所述多个目标各自对应的第一目标特征和所述一个或多个动作各自对应的第一交互特征输入所述人物交互检测子网络，以获取预测人物交互标签；
基于所述预测人物交互标签和所述真实人物交互标签，计算损失值；以及
基于所述损失值，调整所述神经网络的参数。
15.如权利要求14所述的方法，其中，所述样本图像特征包括对应的多个图像-键特征和多个图像-值特征，
其中，所述第一交互特征提取子网络被进一步配置为：
获取预先训练的多个交互-查询特征；
针对所述多个交互-查询特征中的每一个交互-查询特征，基于该交互-查询特征对所述多个图像-键特征的查询结果和所述多个图像-值特征，确定与该交互-查询特征对应的第一交互特征；以及
分别对所述多个第一交互特征中的每一个第一交互特征进行处理，以得到该第一交互特征的得分。
16.如权利要求14所述的方法，其中，所述样本图像特征包括对应的多个图像-键特征和多个图像-值特征，
其中，所述第一动作特征提取子网络被进一步配置为：
针对所述至少一部分第一交互特征中的每一个第一交互特征，基于该第一交互特征对所述多个图像-键特征的查询结果和所述多个图像-值特征，确定与该第一交互特征对应的第一动作特征。
17.如权利要求14所述的方法，其中，所述多个样本图像特征包括对应的多个图像-键特征和多个图像-值特征，
其中，所述第一目标特征提取子网络被进一步配置为：
获取预先训练的多个目标-查询特征；以及
针对所述多个目标-查询特征中的每一个目标-查询特征，基于该目标-查询特征对所述多个图像-键特征的查询结果和所述多个图像-值特征，确定与该目标-查询特征对应的第一目标特征。
18.如权利要求14所述的方法，所述神经网络还包括第一人体子特征嵌入子网络和第一物体子特征嵌入子网络，
其中，所述方法还包括：
将所述至少一部分第一交互特征中的每一个第一交互特征输入所述第一人体子特征嵌入子网络，其中，所述第一人体子特征嵌入子网络被配置为接收第一交互特征，以得到对应的第一交互-人体子特征；以及
将所述至少一部分第一交互特征中的每一个第一交互特征输入所述第一物体子特征嵌入子网络，其中，所述第一物体特征嵌入子网络被配置为接收第一交互特征，以得到对应的第一交互-物体子特征，
其中，所述人物交互检测子网络被进一步配置为：
针对所述一个或多个动作中的每一个动作：
基于该动作对应的第一动作特征对应的第一交互特征的第一交互-人体子特征，在所述多个第一目标特征中确定第一人体目标特征；
基于该动作对应的第一动作特征对应的第一交互特征的第一交互-物体子特征，在所述多个第一目标特征中确定第一物体目标特征；以及
将所述第一人体目标特征对应的目标、所述第一物体目标特征对应的目标和该动作进行关联。
19.如权利要求18所述的方法，其中，所述神经网络还包括第一目标特征嵌入子网络，
其中，所述方法还包括：
将所述多个第一目标特征中的每一个第一目标特征输入所述第一目标特征嵌入子网络，其中，所述第一目标特征嵌入子网络被配置为接收第一目标特征，以得到对应的第一目标-匹配子特征，
其中，在所述多个第一目标特征中确定第一人体目标特征包括：
基于该动作对应的第一动作特征对应的第一交互特征的第一交互-人体子特征，在所述多个第一目标特征对应的多个第一目标-匹配子特征中确定第一人体目标特征，
并且其中，在所述多个第一目标特征中确定第一物体目标特征包括：
基于该动作对应的第一动作特征对应的第一交互特征的第一交互-物体子特征，在所述多个第一目标特征对应的多个第一目标-匹配子特征中确定第一物体目标特征。
20.如权利要求18所述的方法，其中，在所述多个第一目标特征中确定第一人体目标特征包括：
基于所述对应的第一交互-人体子特征和所述多个第一目标特征中的每一个第一目标特征的相似度，确定所述第一人体目标特征，
其中，在所述多个第一目标特征中确定第一物体目标特征包括：
基于所述对应的第一交互-物体子特征和所述多个第一目标特征中的每一个第一目标特征的相似度，确定所述第一物体目标特征。
21.如权利要求14所述的方法，其中，所述至少一部分第一交互特征包括以下中至少一项：
得分最高的预设数量的第一交互特征；
得分最高的预设比例的第一交互特征；以及
得分超过预设阈值的第一交互特征。
22.如权利要求14所述的方法，其中，所述目标信息包括置信度，其中，所述动作信息包括置信度，
其中，所述人物交互检测子网络被进一步配置为：
基于匹配得到的相应的人体目标的置信度、相应的物体目标的置信度、相应的动作的置信度、以及所述相应的动作对应的第一动作特征对应的第一交互特征的得分，确定相应的人物交互检测结果的得分。
23.如权利要求14所述的方法，其中，所述神经网络还包括第二交互特征提取子网络和第二动作特征提取子网络，
其中，所述方法还包括：
将所述多个第一动作特征输入所述第二交互特征提取子网络，以获取多个第二交互特征和所述多个第二交互特征各自的得分，所述第二交互特征的得分指示该第二交互特征中包含有动作信息的可能性；
基于所述多个第二交互特征各自的得分，在所述多个第二交互特征中确定至少一部分第二交互特征；以及
将所述至少一部分第二交互特征和所述多个样本图像特征输入所述第二动作特征提取子网络，以获取一个或多个第二动作特征，
其中，将所述多个第一动作特征输入所述动作识别子网络包括：
将所述一个或多个第二动作特征输入所述动作识别子网络，其中，所述动作识别子网络被进一步配置为接收所述一个或多个第二动作特征，以输出所述样本图像中的一个或多个动作的动作信息。
24.如权利要求14所述的方法，其中，所述神经网络还包括第二目标特征提取子网络，
其中，所述方法还包括：
将所述多个第一目标特征输入所述第二目标特征提取子网络，以获取多个第二目标特征，
其中，将所述多个第一目标特征输入所述目标检测子网络包括：
将所述多个第二目标特征输入所述目标检测子网络，其中，所述目标检测子网络被进一步配置为接收所述多个第二目标特征，以输出所述样本图像中的多个目标的目标信息。
25.如权利要求14-24中任一项所述的方法，其中，所述目标信息包括对应的目标的类型、包围所述对应的目标的检测框和置信度。
26.如权利要求14-24中任一项所述的方法，其中，所述一个或多个动作中的每一个动作包括对应的人体目标和对应的物体目标之间的至少一个子动作，其中，所述动作信息包括所述至少一个子动作中的每一个子动作的类型和置信度。
27.一种用于人物交互检测的神经网络，包括：
图像特征提取子网络，被配置为接收待检测图像以输出所述待检测图像的多个图像特征，所述图像特征提取子网络包括图像特征提取主干网络；
第一目标特征提取子网络，被配置为接收所述多个图像特征以输出多个第一目标特征；
第一交互特征提取子网络，被配置为接收所述多个图像特征，以输出多个第一交互特征和所述多个第一交互特征各自的得分，所述第一交互特征的得分指示该第一交互特征中包含有动作信息的可能性；
第一筛选子网络，被配置为基于所述多个第一交互特征各自的得分，在所述多个第一交互特征中确定至少一部分第一交互特征；
第一动作特征提取子网络，被配置为利用所述至少一部分第一交互特征对所述多个图像特征进行查询，以输出多个第一动作特征；
目标检测子网络，被配置为接收所述多个第一目标特征，以输出所述待检测图像中的多个目标的目标信息，其中，所述多个目标包括一个或多个人体目标和一个或多个物体目标，所述目标信息包括对应的目标的类型、包围所述对应的目标的检测框和置信度；
动作识别子网络，被配置为接收所述多个第一动作特征，以输出所述待检测图像中的一个或多个动作的动作信息，其中，所述一个或多个动作中的每一个动作与所述一个或多个人体目标中的一个人体目标和所述一个或多个物体目标中的一个物体目标相关联；以及
人物交互检测子网络，被配置为接收所述多个目标各自对应的第一目标特征和所述一个或多个动作各自对应的第一交互特征，以输出人物交互检测结果。
28.如权利要求27所述的神经网络，其中，所述图像特征包括对应的多个图像-键特征和多个图像-值特征，
其中，所述第一交互特征提取子网络被进一步配置为：
获取预先训练的多个交互-查询特征；
针对所述多个交互-查询特征中的每一个交互-查询特征，基于该交互-查询特征对所述多个图像-键特征的查询结果和所述多个图像-值特征，确定与该交互-查询特征对应的第一交互特征；以及
分别对所述多个第一交互特征中的每一个第一交互特征进行处理，以得到该第一交互特征的得分。
29.如权利要求27所述的神经网络，其中，所述图像特征包括对应的多个图像-键特征和多个图像-值特征，
其中，所述第一动作特征提取子网络被进一步配置为：
针对所述至少一部分第一交互特征中的每一个第一交互特征，基于该第一交互特征对所述多个图像-键特征的查询结果和所述多个图像-值特征，确定与该第一交互特征对应的第一动作特征。
30.如权利要求27所述的神经网络，其中，所述多个图像特征包括对应的多个图像-键特征和多个图像-值特征，
其中，所述第一目标特征提取子网络被进一步配置为：
获取预先训练的多个目标-查询特征；以及
针对所述多个目标-查询特征中的每一个目标-查询特征，基于该目标-查询特征对所述多个图像-键特征的查询结果和所述多个图像-值特征，确定与该目标-查询特征对应的第一目标特征。
31.如权利要求27所述的神经网络，还包括：
第一人体子特征嵌入子网络，被配置为接收第一交互特征，以输出对应的第一交互-人体子特征；以及
第一物体子特征嵌入子网络，被配置为接收第一交互特征，以输出对应的第一交互-物体子特征，
其中，所述人物交互检测子网络被进一步配置为：
针对所述一个或多个动作中的每一个动作：
基于该动作对应的第一动作特征对应的第一交互特征的第一交互-人体子特征，在所述多个第一目标特征中确定第一人体目标特征；
基于该动作对应的第一动作特征对应的第一交互特征的第一交互-物体子特征，在所述多个第一目标特征中确定第一物体目标特征；以及
将所述第一人体目标特征对应的目标、所述第一物体目标特征对应的目标和该动作进行关联。
32.如权利要求31所述的神经网络，还包括：
第一目标特征嵌入子网络，被配置为接收第一目标特征，以输出对应的第一目标-匹配子特征，
其中，在所述多个第一目标特征中确定第一人体目标特征包括：
基于该动作对应的第一动作特征对应的第一交互特征的第一交互-人体子特征，在所述多个第一目标特征对应的多个第一目标-匹配子特征中确定第一人体目标特征，
并且其中，在所述多个第一目标特征中确定第一物体目标特征包括：
基于该动作对应的第一动作特征对应的第一交互特征的第一交互-物体子特征，在所述多个第一目标特征对应的多个第一目标-匹配子特征中确定第一物体目标特征。
33.如权利要求31所述的神经网络，其中，在所述多个第一目标特征中确定第一人体目标特征包括：
基于所述对应的第一交互-人体子特征和所述多个第一目标特征中的每一个第一目标特征的相似度，确定所述第一人体目标特征，
其中，在所述多个第一目标特征中确定第一物体目标特征包括：
基于所述对应的第一交互-物体子特征和所述多个第一目标特征中的每一个第一目标特征的相似度，确定所述第一物体目标特征。
34.如权利要求27所述的神经网络，其中，所述至少一部分第一交互特征包括以下中至少一项：
得分最高的预设数量的第一交互特征；
得分最高的预设比例的第一交互特征；以及
得分超过预设阈值的第一交互特征。
35.如权利要求27所述的神经网络，其中，所述目标信息包括置信度，其中，所述动作信息包括置信度，
其中，所述人物交互检测子网络被进一步配置为：
基于匹配得到的相应的人体目标的置信度、相应的物体目标的置信度、相应的动作的置信度、以及所述相应的动作对应的第一动作特征对应的第一交互特征的得分，确定相应的人物交互检测结果的得分。
36.如权利要求27所述的神经网络，还包括：
第二交互特征提取子网络，被配置为接收所述多个第一动作特征，以输出多个第二交互特征和所述多个第二交互特征各自的得分，所述第二交互特征的得分指示该第二交互特征中包含有动作信息的可能性；
第二筛选子网络，被配置为基于所述多个第二交互特征各自的得分，在所述多个第二交互特征中确定至少一部分第二交互特征；以及
第二动作特征提取子网络，被配置为接收所述至少一部分第二交互特征和所述多个图像特征，以输出一个或多个第二动作特征，
其中，所述动作识别子网络被进一步配置为接收所述一个或多个第二动作特征，以输出所述待检测图像中的一个或多个动作的动作信息。
37.如权利要求27所述的神经网络，还包括：
第二目标特征提取子网络，被配置为接收述多个第一目标特征，以输出多个第二目标特征，
其中，所述动作识别子网络被进一步配置为接收所述一个或多个第二动作特征，以输出所述待检测图像中的一个或多个动作的动作信息。
38.如权利要求27-37中任一项所述的神经网络，其中，所述目标信息包括对应的目标的类型、包围所述对应的目标的检测框和置信度。
39.如权利要求27-37中任一项所述的神经网络，其中，所述一个或多个动作中的每一个动作包括对应的人体目标和对应的物体目标之间的至少一个子动作，其中，所述动作信息包括所述至少一个子动作中的每一个子动作的类型和置信度。
40.一种电子设备，包括：
一个或多个处理器；以及
与所述一个或多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一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器能够执行权利要求1-26中任一项所述的方法。
41.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-26中任一项所述的方法。
CN202111272717.8A 2021-10-29 2021-10-29 人物交互检测方法、神经网络及其训练方法、设备和介质 Active CN114005177B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111272717.8A CN114005177B (zh) 2021-10-29 2021-10-29 人物交互检测方法、神经网络及其训练方法、设备和介质
US17/976,668 US20230047628A1 (en) 2021-10-29 2022-10-28 Human-object interaction detection
EP22204584.1A EP4123591A3 (en) 2021-10-29 2022-10-28 Human-object interaction detection method, neural network and training method therefor, device, and medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111272717.8A CN114005177B (zh) 2021-10-29 2021-10-29 人物交互检测方法、神经网络及其训练方法、设备和介质

Publications (2)

Publication Number Publication Date
CN114005177A CN114005177A (zh) 2022-02-01
CN114005177B true CN114005177B (zh) 2023-09-19

Family

ID=79925291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111272717.8A Active CN114005177B (zh) 2021-10-29 2021-10-29 人物交互检测方法、神经网络及其训练方法、设备和介质

Country Status (3)

Country Link
US (1) US20230047628A1 (zh)
EP (1) EP4123591A3 (zh)
CN (1) CN114005177B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663915B (zh) * 2022-03-04 2024-04-05 西安交通大学 基于Transformer模型的图像人-物交互定位方法及系统
US11869212B1 (en) * 2023-02-07 2024-01-09 Deeping Source Inc. Method for training video object detection model using training dataset and learning device using the same

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580500A (zh) * 2019-08-20 2019-12-17 天津大学 一种面向人物交互的网络权重生成少样本图像分类方法
CN111448588A (zh) * 2017-12-07 2020-07-24 华为技术有限公司 通过人和物的联合检测和跟踪进行活动检测
WO2020192736A1 (zh) * 2019-03-26 2020-10-01 华为技术有限公司 物体识别方法及装置
CN112004157A (zh) * 2020-08-11 2020-11-27 海信电子科技(武汉)有限公司 一种多轮语音交互方法及显示设备
CN112749758A (zh) * 2021-01-21 2021-05-04 北京百度网讯科技有限公司 图像处理方法、神经网络的训练方法、装置、设备和介质
CN113112525A (zh) * 2021-04-27 2021-07-13 北京百度网讯科技有限公司 目标跟踪方法、网络模型及其训练方法、设备和介质
WO2021164662A1 (zh) * 2020-02-18 2021-08-26 上海商汤临港智能科技有限公司 交互关系识别方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111448588A (zh) * 2017-12-07 2020-07-24 华为技术有限公司 通过人和物的联合检测和跟踪进行活动检测
WO2020192736A1 (zh) * 2019-03-26 2020-10-01 华为技术有限公司 物体识别方法及装置
CN110580500A (zh) * 2019-08-20 2019-12-17 天津大学 一种面向人物交互的网络权重生成少样本图像分类方法
WO2021164662A1 (zh) * 2020-02-18 2021-08-26 上海商汤临港智能科技有限公司 交互关系识别方法、装置、设备及存储介质
CN112004157A (zh) * 2020-08-11 2020-11-27 海信电子科技(武汉)有限公司 一种多轮语音交互方法及显示设备
CN112749758A (zh) * 2021-01-21 2021-05-04 北京百度网讯科技有限公司 图像处理方法、神经网络的训练方法、装置、设备和介质
CN113112525A (zh) * 2021-04-27 2021-07-13 北京百度网讯科技有限公司 目标跟踪方法、网络模型及其训练方法、设备和介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Weakly supervised learning of interactions between humans and objects";Alessandro Prest,et al;《DOI:10.1109/TOAMI.2011.158》;第34卷(第3期);全文 *
Akila.K. et al."Discriminative Human Action Recognition using HOI Descriptor and Key Poses".《DOI:10.1109/ICSEMR.2014.7043656》.2014,全文. *
Bumsoo Kim.et al."HOTR: End-to-End Human一Object Interaction Detection with Transformers".《arXiv:20144.13682V1》.2021,期刊第2-3节，图2. *

Also Published As

Publication number Publication date
EP4123591A3 (en) 2023-04-12
US20230047628A1 (en) 2023-02-16
EP4123591A2 (en) 2023-01-25
CN114005177A (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN114005178B (zh) 人物交互检测方法、神经网络及其训练方法、设备和介质
CN114004985B (zh) 人物交互检测方法、神经网络及其训练方法、设备和介质
CN113807440B (zh) 利用神经网络处理多模态数据的方法、设备和介质
CN114005177B (zh) 人物交互检测方法、神经网络及其训练方法、设备和介质
CN114511758A (zh) 图像识别方法及装置、电子设备和介质
CN114445667A (zh) 图像检测方法和用于训练图像检测模型的方法
CN113723305A (zh) 图像和视频检测方法、装置、电子设备和介质
CN115600646B (zh) 语言模型的训练方法、装置、介质及设备
CN115269989B (zh) 对象推荐方法、装置、电子设备和存储介质
CN116152607A (zh) 目标检测方法、训练目标检测模型的方法及装置
CN113868453B (zh) 对象推荐方法和装置
CN115578501A (zh) 图像处理方法、装置、电子设备和存储介质
CN114842476A (zh) 水印检测方法及装置、模型训练方法及装置
CN114998963A (zh) 图像检测方法和用于训练图像检测模型的方法
CN115359309A (zh) 目标检测模型的训练方法及装置、设备和介质
CN112579587A (zh) 数据清洗方法及装置、设备和存储介质
CN114140851B (zh) 图像检测方法和用于训练图像检测模型的方法
CN116070711B (zh) 数据处理方法、装置、电子设备和存储介质
CN114821233B (zh) 目标检测模型的训练方法及装置、设备和介质
CN115578451B (zh) 图像处理方法、图像处理模型的训练方法和装置
CN115100431B (zh) 目标检测方法、神经网络及其训练方法、设备和介质
CN115170536B (zh) 图像检测方法、模型的训练方法和装置
CN114067183B (zh) 神经网络模型训练方法、图像处理方法、装置和设备
CN116580212B (zh) 图像生成方法、图像生成模型的训练方法、装置和设备
CN114120420B (zh) 图像检测方法和装置

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