CN114429678A - 模型训练方法及装置、电子设备和介质 - Google Patents

Abstract

本公开提供了一种模型训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品，涉及人工智能领域，尤其涉及计算机视觉和深度学习技术领域。实现方案为：获得样本图像的图像特征以及预设的人体行为标签；将图像特征输入第一神经网络，以获得人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸；将图像特征输入第二神经网络，以获得亲和字段；基于亲和字段、人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸，获取预测得到的样本图像的人体行为；以及基于预测得到的人体行为和人体行为标签调整第一神经网络以及第二神经网络的参数。

Description

模型训练方法及装置、电子设备和介质

技术领域

本公开涉及人工智能领域，尤其涉及计算机视觉和深度学习技术领域，具体涉及一种模型训练方法、装置、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。

图像识别技术是人工智能的一个重要领域，是通过计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。图像识别技术可用于人体行为识别、人体属性识别、商品识别等诸多领域。目前，一般基于分类结构对人体行为进行识别，不能很好地学习人体行为之间的关系。

发明内容

本公开提供了一种模型训练方法、装置、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，提供了一种模型训练方法，包括：获得样本图像的图像特征以及预设的人体行为标签，样本图像包括人体图像和物体图像；将图像特征输入第一神经网络，以获得人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸，其中交互点为人体中心点和物体中心点的中间点；将图像特征输入第二神经网络，以获得亲和字段，其中亲和字段为交互点到人体中心点的线段、以及交互点到物体中心点的线段；基于亲和字段、人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸，获取预测得到的样本图像的人体行为；以及基于预测得到的人体行为和人体行为标签调整第一神经网络以及第二神经网络的参数。

根据本公开的另一方面，提供了一种图像识别方法，包括：获取待识别图像的图像特征，其中待识别图像包括人体图像和物体图像中的至少一个；将图像特征输入经训练的第一神经网络，以获得人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸，其中交互点为人体中心点和物体中心点的中间点；将图像特征输入经训练的第二神经网络，以获得亲和字段，其中亲和字段包括交互点到人体中心点的线段、以及交互点到物体中心点的线段；以及基于人体中心点、物体中心点、交互点、人体图像尺寸、物体图像尺寸以及亲和字段，确定待识别图像中的人体行为。

根据本公开的另一方面，提供了一种模型训练装置，包括：第一获取单元，被配置为获得样本图像的图像特征以及预设的人体行为标签，样本图像包括人体图像和物体图像；第二获取单元，被配置为将图像特征输入第一神经网络，以获得人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸，其中交互点为人体中心点和物体中心点的中间点；第三获取单元，被配置为将图像特征输入第二神经网络，以获得亲和字段，其中亲和字段为交互点到人体中心点的线段、以及交互点到物体中心点的线段；预测单元，被配置为基于亲和字段、人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸，获取预测得到的样本图像的人体行为；以及调整单元，被配置为基于预测得到的人体行为和人体行为标签调整第一神经网络以及第二神经网络的参数。

根据本公开的另一方面，提供了一种图像识别装置，包括：第四获取单元，被配置为获取待识别图像的图像特征，其中待识别图像包括人体图像和物体图像中的至少一个；第五获取单元，被配置为将图像特征输入经训练的第一神经网络，以获得人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸，其中交互点为人体中心点和物体中心点的中间点；第六获取单元，被配置为将图像特征输入经训练的第二神经网络，以获得亲和字段，其中亲和字段包括交互点到人体中心点的线段、以及交互点到物体中心点的线段；以及确定单元，被配置为基于人体中心点、物体中心点、交互点、人体图像尺寸、物体图像尺寸以及亲和字段，确定待识别图像中的人体行为。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开所述的方法。

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，该计算机指令用于使计算机执行根据本公开所述的方法。

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，该计算机程序在被处理器执行时实现根据本公开所述的方法。

根据本公开的一个或多个实施例，通过识别人体中心点和物体中心点、以及通过亲和字段、人体尺寸和物体尺寸将相对应的人体和物体进行关联，提高了人体行为预测的准确性。

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示出了根据本公开的实施例的模型训练方法的流程图；

图3示出了根据本公开的实施例的亲和字段的示意图；

图4示出了根据本公开的实施例的利用亲和字段关联人体、物体关系的示意图；

图5示出了根据本公开的实施例的模型训练方法的流程图；

图6示出了根据本公开的实施例的图像识别方法的流程图；

图7示出了根据本公开的实施例的模型训练装置的结构框图；

图8示出了根据本公开的实施例的图像识别装置的结构框图；以及

图9示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。

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模型训练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来输入相应的图像特征、监督数据等。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。

目前，现有人体行为分析大多是通过对视频/图像进行特征提取后，直接将所提取的特征输入分类模型来实现的。现有的分类模型大多基于局部特征来学习人体的行为，这种方式通常会导致召回率不高的问题，例如，当行为发生的位置和人体没有直接接触时，分类模型就不能很好的预测人体行为。同时，这种方式也不能学习到图像的语义信息，导致人体行为识别的准确率不高。

因此，根据本公开的实施例提供了一种模型训练方法。如图2所示，该模型训练方法可以包括：步骤S201、获得样本图像的图像特征以及预设的人体行为标签，样本图像包括人体图像和物体图像；步骤S202、将图像特征输入第一神经网络，以获得人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸，其中交互点为人体中心点和物体中心点的中间点；步骤S203、将图像特征输入第二神经网络，以获得亲和字段，其中亲和字段为交互点到人体中心点的线段、以及交互点到物体中心点的线段；步骤S204、基于亲和字段、人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸，获取预测得到的样本图像的人体行为；以及步骤S205、基于预测得到的人体行为和人体行为标签调整第一神经网络以及第二神经网络的参数。

根据本公开实施例的模型训练方法，通过识别人体中心点和物体中心点、以及通过亲和字段、人体尺寸和物体尺寸将相对应的人体和物体进行关联，提高了人体行为预测的准确性。

样本图像通过特征提取过程后，所得图像特征输入到第一神经网络中，输出人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸。在一些示例中，人体图像尺寸和物体图像尺寸分别可以包括人体图像和物体图像的高度和宽度。

在一些示例中，交互点可以包括交互点的位置信息以及交互点的类型，该交互点的类型用于表示样本图像中的人体行为类型。

根据一种示例性实施例，第一神经网络可以是一个1×1的卷积层，当输入大小为w×h的图像特征时，通过该1×1的卷积层对该图像特征进行w×h次卷积操作，获得包含人体中心点、物体中心点、交互点的特征图(例如以热力图的形式)，以及该人体和物体的高度和宽度。可选的，第一神经网络也可以是3×3、5×5等尺寸的卷积层，在此不作限定。

将样本图像的图像特征输入到第二神经网络中，以获得该图像的亲和字段。图3给出了一个示例，亲和字段310为交互点301与人体中心点302之间的线段，亲和字段320为交互点301与物体中心点303之间的线段；类似的，亲和字段330为交互点304与人体中心点305之间的线段，亲和字段340为交互点304与物体中心点306之间的线段。

根据一种示例性实施例，第二神经网络可以是一个1×1的卷积层，当输入大小为w×h的图像特征时，通过该1×1的卷积层对该图像特征进行w×h次卷积操作，获得包含亲和线段的亲和线段图。可选的，第二神经网络也可以是3×3、5×5等尺寸的卷积层，在此不作限定。

根据一些实施例，获得样本图像的图像特征包括：将样本图像输入预设的第三神经网络中，以获得图像特征。在提取图像特征之前，需要先进行训练样本的准备。在一些示例中，可以在样本图像上对人体行为进行标注，例如可以标注出人体框、物体框以及人体行为类型等。在训练样本准备就绪后，将样本图像输入用于提取图像特征的第三神经网络中，获得图像特征，并以此作为后续神经网络的输入。

当然应当理解，其他获取图像特征的方法也是可能的，在此不作限制。

根据一些实施例，第三神经网络可以包括沙漏型卷积神经网络。沙漏型卷积神经网络由多层卷积神经网络构成，包括下采样和上采样两部分。下采样部分对应缩小图像的过程，也即降低图像的分辨率，由数个由大到小的卷积层组成。通过下采样的方式可以提取图像特征，生成特征图。

由于在图像识别过程中，需要对图像进行像素级别的分类，因此在通过下采样提取特征后，需要再通过上采样过程将所得特征图还原到原图中。上采样部分由数个由小到大的卷积层组成，通过上采样可以将特征图放大为原图大小。由此，通过对样本图像的缩放过程，将图像特征提取出来，作为后续神经网络的输入。

根据一些实施例，获取预测得到的待识别图像的人体行为包括：将第一神经网络输出的包括人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸的图像特征、以及第二神经网络输出的包括亲和字段的图像特征输入第四神经网络，以获得预测得到的样本图像的人体行为。

通过将人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸以及亲和字段输入第四神经网络，可以利用亲和字段确定人体和物体之间的关系，即将人体与相应的物体之间建立映射关系。基于人体图像尺寸和物体图像尺寸以及相应的中心点，可以确定人体框和物体框的位置，从而也可以进一步确定图像中不同位置的人和物体之间的关系，进而获得全图的人体行为预测结果。如图3、4所示，通过第四神经网络，图3中所示的亲和字段310和亲和字段320可以将人体中心点302和物体中心点303进行关联，亲和字段330和亲和字段340可以将人体中心点305和物体中心点306进行关联，从而获得如图4所示的，相互关联的人体框401与物体框402、人体框403与物体框404，及相应的人体行为类型。由此，通过亲和字段将人体与物体进行关联，提高了人体行为识别的准确度。

根据一些示例性实施例，第四神经网络可以是卷积神经网络。可选地，第四神经网络也可以替换为逻辑判断指令实现，即通过亲和字段判断人体与物体间是否存在关联，如果存在关联，则输出该人体框、物体框以及人体行为类型。

根据一些实施例，基于预测得到的人体行为和人体行为标签调整第一神经网络以及第二神经网络的参数可以包括：基于预测得到的人体行为和人体行为标签调整第一神经网络、第二神经网络以及第四神经网络的参数。由此，通过判断预测得到的人体行为和人体行为标签的对比结果是否收敛，不断对上述神经网络的参数进行调整，从而完成该模型的训练。

根据一些实施例，如图5所示，根据本公开的模型训练方法还可以包括：步骤S502、基于样本图像获取第一监督图像，并获取包括人体图像尺寸和物体图像尺寸的监督数据；步骤S503、基于样本图像获取第二监督图像；步骤S507、基于预测得到的人体行为、人体行为标签、第一监督图像以及监督数据调整第一神经网络的参数；以及步骤S508、基于预测得到的人体行为、人体行为标签以及第二监督图像调整第二神经网络的参数。

图5中的步骤S501、步骤S504-步骤S506与上述实施例类似，在此不做赘述。

根据一些实施例，第一监督图像为热力图，以标注人体中心点和物体中心点。可选的，第一监督图像还可以标注交互点。示例地，可以将中心点设置为1值，然后以该中心点为圆心取值线性递减，以形成热力图；或者，也可以设置一半径R，以中心点为圆心、R为半径范围内取值为1，半径之外取值为0以形成热力图。可以理解的是，其他用于生成热力图的方法也是可能的，在此不作限制。

人体图像尺寸和物体图像尺寸的监督数据可以通过在图像上标注人体框和物体框来获得，也可以通过为样本图像添加人体、物体尺寸标签获得，在此不作限定。第一监督图像及监督数据可以用于进一步调整第一神经网络的参数，完成对第一神经网络进行训练。

根据一些实施例，第二监督图像的获取，可以通过在样本图像上标注亲和字段的位置得以实现。第二监督图像可以用于进一步调整第一神经网络的参数，完成对第二神经网络进行训练。

由此，通过对模型中的第一神经网络和第二神经网络添加人体中心点、物体中心点、交互点、人体图像尺寸、物体图像尺寸以及亲和字段等监督信号，可以进一步提高模型预测的准确度。

根据本公开的一些实施例，提供了一种图像识别方法，如图6所示，包括：步骤S601、获取待识别图像的图像特征，其中待识别图像包括人体图像和物体图像中的至少一个；步骤S602、将图像特征输入经训练的第一神经网络，以获得人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸，其中交互点为人体中心点和物体中心点的中间点；步骤S603、将图像特征输入经训练的第二神经网络，以获得亲和字段，其中亲和字段包括交互点到人体中心点的线段、以及交互点到物体中心点的线段；以及步骤S604、基于人体中心点、物体中心点、交互点、人体图像尺寸、物体图像尺寸以及亲和字段，确定待识别图像中的人体行为。

根据一些实施例，通过将待识别图像输入预设的第三神经网络中，从而获取待识别图像的图像特征。

根据一些实施例，所述第三神经网络包括沙漏型卷积神经网络，由多层卷积神经网络构成，包括下采样和上采样两部分。下采样部分对应缩小图像的过程，也即降低图像的分辨率，由数个由大到小的卷积层组成。通过下采样的方式可以提取图像特征，生成特征图。

根据一些实施例，确定待识别图像中的人体行为包括：将第一神经网络输出的包括人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸的图像特征、以及第二神经网络输出的包括亲和字段的图像特征输入第四神经网络，以获得预测得到的样本图像的人体行为。并且，根据一些实施例，本公开涉及的图像识别方法中应用的第一神经网络和第二神经网络是经由本公开涉及的模型训练方法训练所得的。

根据一些实施例，如图7所示，本公开还提供了一种模型训练装置700，包括：第一获取单元710，被配置为获得样本图像的图像特征以及预设的人体行为标签，样本图像包括人体图像和物体图像；第二获取单元720，被配置为将图像特征输入第一神经网络，以获得人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸，其中交互点为人体中心点和物体中心点的中间点；第三获取单元730，被配置为将图像特征输入第二神经网络，以获得亲和字段，其中亲和字段为交互点到人体中心点的线段、以及交互点到物体中心点的线段；预测单元740，被配置为基于亲和字段、人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸，获取预测得到的样本图像的人体行为；以及调整单元750，被配置为基于预测得到的人体行为和人体行为标签调整第一神经网络以及第二神经网络的参数。

这里，模型训练装置700的上述各单元710～750的操作分别与前面描述的步骤S201～S205的操作类似，在此不再赘述。

根据一些实施例，如图8所示，本公开还提供了一种图像识别装置800，包括：第四获取单元810，被配置为获取待识别图像的图像特征，其中待识别图像包括人体图像和物体图像中的至少一个；第五获取单元820，被配置为将图像特征输入经训练的第一神经网络，以获得人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸，其中交互点为人体中心点和物体中心点的中间点；第六获取单元830，被配置为将图像特征输入经训练的第二神经网络，以获得亲和字段，其中亲和字段包括交互点到人体中心点的线段、以及交互点到物体中心点的线段；以及确定单元840，被配置为基于人体中心点、物体中心点、交互点、人体图像尺寸、物体图像尺寸以及亲和字段，确定待识别图像中的人体行为。

这里，图像识别装置800的上述各单元810～840的操作分别与前面描述的步骤S601～S604的操作类似，在此不再赘述。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

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9，现将描述可以作为本公开的服务器或客户端的电子设备900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9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向设备900输入信息的任何类型的设备，输入单元906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907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908可以包括但不限于磁盘、光盘。通信单元909允许设备900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901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901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、各种运行机器学习模型算法的计算单元、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901执行上文所描述的各个方法和处理，例如模型训练方法或图像识别方法。例如，在一些实施例中，模型训练方法或图像识别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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的模型训练方法或图像识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法或图像识别方法。

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)、复杂可编程逻辑设备(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至少一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、至少一个输入装置、和至少一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、该至少一个输入装置、和该至少一个输出装置。

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，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 (17)

1.一种模型训练方法，包括：

获得样本图像的图像特征以及预设的人体行为标签，所述样本图像包括人体图像和物体图像；

将所述图像特征输入第一神经网络，以获得人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸，其中所述交互点为人体中心点和物体中心点的中间点；

将所述图像特征输入第二神经网络，以获得亲和字段，其中所述亲和字段为所述交互点到所述人体中心点的线段、以及所述交互点到所述物体中心点的线段；以及

基于所述亲和字段、所述人体中心点、所述物体中心点、所述交互点、人体图像尺寸和所述物体图像尺寸，获取预测得到的所述样本图像的人体行为；以及

基于所述预测得到的人体行为和所述人体行为标签调整所述第一神经网络以及所述第二神经网络的参数。

2.如权利要求1所述的方法，其中，获得样本图像的图像特征包括：将所述样本图像输入预设的第三神经网络中，以获得图像特征。

3.如权利要求2所述的方法，其中，所述第三神经网络包括沙漏型卷积神经网络。

4.如权利要求1所述的方法，其中，获取预测得到的所述待识别图像的人体行为包括：

将所述第一神经网络输出的包括所述人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸的图像特征、以及所述第二神经网络输出的包括所述亲和字段的图像特征输入第四神经网络，以获得预测得到的所述样本图像的人体行为。

5.如权利要求4所述的方法，其中，基于所述预测得到的人体行为和所述人体行为标签调整所述第一神经网络以及所述第二神经网络的参数包括：

基于所述预测得到的人体行为和所述人体行为标签调整所述第一神经网络、所述第二神经网络以及第四神经网络的参数。

6.如权利要求1所述的方法，还包括：

基于所述样本图像获取第一监督图像，并获取包括人体图像尺寸和物体图像尺寸的监督数据，所述第一监督图像包括标注的人体中心点和物体中心点；以及

基于所述样本图像获取第二监督图像，所述第二监督图像包括标注的亲和字段；

其中，基于所述预测得到的人体行为和所述人体行为标签调整所述第一神经网络以及所述第二神经网络的参数包括：

基于所述预测得到的人体行为、所述人体行为标签、第一监督图像以及所述监督数据调整所述第一神经网络的参数；以及

基于所述预测得到的人体行为、所述人体行为标签以及第二监督图像调整所述第二神经网络的参数。

7.如权利要求6所述的方法，其中，所述第一监督图像为热力图，以标注所述人体中心点和所述物体中心点。

8.一种图像识别方法，包括：

获取待识别图像的图像特征，其中所述待识别图像包括人体图像和物体图像中的至少一个；

将所述图像特征输入经训练的第一神经网络，以获得人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸，其中所述交互点为人体中心点和物体中心点的中间点；

将所述图像特征输入经训练的第二神经网络，以获得亲和字段，其中所述亲和字段包括所述交互点到所述人体中心点的线段、以及所述交互点到所述物体中心点的线段；以及

基于所述人体中心点、物体中心点、交互点、人体图像尺寸、物体图像尺寸以及亲和字段，确定所述待识别图像中的人体行为。

9.如权利要求8所述的方法，其中，获取待识别图像的图像特征包括：

将所述待识别图像输入预设的第三神经网络中，以获得图像特征。

10.如权利要求9所述的方法，其中，所述第三神经网络包括沙漏型卷积神经网络。

11.如权利要求8所述的方法，其中，确定所述待识别图像中的人体行为包括：

将所述第一神经网络输出的包括所述人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸的图像特征、以及所述第二神经网络输出的包括所述亲和字段的图像特征输入第四神经网络，以获得预测得到的所述样本图像的人体行为。

12.如权利要求8-11中任一项所述的方法，其中，所述第一神经网络和第二神经网络根据如权利要求1-7中任一项所述的方法训练得到。

13.一种模型训练装置，包括：

第一获取单元，被配置为获得样本图像的图像特征以及预设的人体行为标签，所述样本图像包括人体图像和物体图像；

第二获取单元，被配置为将所述图像特征输入第一神经网络，以获得人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸，其中所述交互点为人体中心点和物体中心点的中间点；

第三获取单元，被配置为将所述图像特征输入第二神经网络，以获得亲和字段，其中所述亲和字段为所述交互点到所述人体中心点的线段、以及所述交互点到所述物体中心点的线段；以及

预测单元，被配置为基于所述亲和字段、所述人体中心点、所述物体中心点、所述交互点、人体图像尺寸和所述物体图像尺寸，获取预测得到的所述样本图像的人体行为；以及

调整单元，被配置为基于所述预测得到的人体行为和所述人体行为标签调整所述第一神经网络以及所述第二神经网络的参数。

14.一种图像识别装置，包括：

第四获取单元，被配置为获取待识别图像的图像特征，其中所述待识别图像包括人体图像和物体图像中的至少一个；

第五获取单元，被配置为将所述图像特征输入经训练的第一神经网络，以获得人体中心点、物体中心点、交互点、人体图像尺寸和物体图像尺寸，其中所述交互点为人体中心点和物体中心点的中间点；

第六获取单元，被配置为将所述图像特征输入经训练的第二神经网络，以获得亲和字段，其中所述亲和字段包括所述交互点到所述人体中心点的线段、以及所述交互点到所述物体中心点的线段；以及

确定单元，被配置为基于所述人体中心点、物体中心点、交互点、人体图像尺寸、物体图像尺寸以及亲和字段，确定所述待识别图像中的人体行为。

15.一种电子设备，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权利要求1-7或8-12中任一项所述的方法。

16.一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1-7或8-12中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-7或8-12中任一项所述的方法。

Images