CN115097941A - 人物交互检测方法、装置、设备以及存储介质 - Google Patents

人物交互检测方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN115097941A
CN115097941A CN202210828497.0A CN202210828497A CN115097941A CN 115097941 A CN115097941 A CN 115097941A CN 202210828497 A CN202210828497 A CN 202210828497A CN 115097941 A CN115097941 A CN 115097941A
Authority
CN
China
Prior art keywords
interaction
encoder
decoder
human
object detection
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.)
Granted
Application number
CN202210828497.0A
Other languages
English (en)
Other versions
CN115097941B (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 CN202210828497.0A priority Critical patent/CN115097941B/zh
Publication of CN115097941A publication Critical patent/CN115097941A/zh
Application granted granted Critical
Publication of CN115097941B publication Critical patent/CN115097941B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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

Landscapes

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

Abstract

本公开提供了一种人物交互检测方法、装置、设备、存储介质以及程序产品，涉及人工智能技术领域，具体涉及图像处理、计算机视觉和深度学习等技术领域，尤其涉及目标检测、智慧城市等场景。该方法的一具体实施方式包括：提取待检测图像的像素特征；将像素特征输入至基础编码器，得到全局特征；将全局特征分别输入至人物交互编码器、物体检测编码和交互编码器，得到人体物体交互特征、物体检测特征和交互动作特征；基于人体物体交互特征、物体检测特征和交互动作特征进行人物交互检测，得到多个人体物体交互信息。该实施方式提供了一种多编码器结构，通过基础编码器、人物交互编码器、物体检测编码和交互编码器，实现了对图像特征的解耦。

Description

人物交互检测方法、装置、设备以及存储介质
技术领域
本公开涉及人工智能技术领域，具体涉及图像处理、计算机视觉和深度学习等技术领域，尤其涉及目标检测、智慧城市等场景。
背景技术
人物交互检测是定位出图像中所有做动作的人和物体，以及他们的动作关系。人物交互检测广泛应用于视频监控领域，能够对人体行为进行分类和监督。
当前的人物交互检测方法主要分为二阶段和一阶段方法。其中，二阶段方法主要采用先检测再分类的策略。一阶段方法是直接同时预测出<人体，物体，动作>三元组。
发明内容
本公开实施例提出了一种人物交互检测方法、装置、设备、存储介质以及程序产品。
第一方面，本公开实施例提出了一种人物交互检测方法，包括：提取待检测图像的像素特征；将像素特征输入至基础编码器，得到全局特征；将全局特征分别输入至人物交互编码器、物体检测编码和交互编码器，得到人体物体交互特征、物体检测特征和交互动作特征；基于人体物体交互特征、物体检测特征和交互动作特征进行人物交互检测，得到多个人体物体交互信息。
第二方面，本公开实施例提出了一种人物交互检测装置，包括：提取模块，被配置成提取待检测图像的像素特征；第一编码模块，被配置成将像素特征输入至基础编码器，得到全局特征；第二编码模块，被配置成将全局特征分别输入至人物交互编码器、物体检测编码和交互编码器，得到人体物体交互特征、物体检测特征和交互动作特征；交互检测模块，被配置成基于人体物体交互特征、物体检测特征和交互动作特征进行人物交互检测，得到多个人体物体交互信息。
第三方面，本公开实施例提出了一种电子设备，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；其中，存储器存储有可被至少一个处理器执行的指令，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如第一方面中任一实现方式描述的方法。
第四方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
第五方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开实施例提供的人物交互检测方法，提供了一种多编码器结构，通过基础编码器、人物交互编码器、物体检测编码和交互编码器，实现了对图像特征的解耦。
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
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开的人物交互检测方法的一个实施例的流程图；
图2是根据本公开的人物交互检测方法的又一个实施例的流程图；
图3是人物交互检测模型的结构示意图；
图4是根据本公开的人物交互检测装置的一个实施例的结构示意图；
图5是用来实现本公开实施例的人物交互检测方法的电子设备的框图。
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和精神。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。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的人物交互检测方法的一个实施例的流程100。该人物交互检测方法包括以下步骤：
步骤101，提取待检测图像的像素特征。
在本实施例中，人物交互检测方法的执行主体可以提取待检测图像的像素特征。其中，待检测图像可以是需要检测人体、物体及其动作关系的任意图像。
通常，采用残差网络来实现图像像素特征的提取，残差网络可以选用ResNet(Residual Neural Network，残差网络)50或ResNet101等。其中，像素特征可以待检测图像的像素点的属性，通常以矩阵的形式进行表示。
步骤102，将像素特征输入至基础编码器，得到全局特征。
在本实施例中，上述执行主体可以将像素特征输入至基础编码器，得到全局特征。
通常，基础编码器可以基于像素特征，利用自注意力机制进行全局特征建模。其中，全局特征可以是待检测图像的整体属性，包括但不限于颜色特征、纹理特征和形状特征等等。
在一些实施例中，基础编码器可以包括第一预设数目个编码器层，每个编码器层可以包括交互注意力层、自注意力层和前向层等，用于完成一次编码操作。
需要说明的是，基础编码器包括的编码器层的数目可以根据需要进行设置。通常，应用场景越复杂，基础编码器包括的编码器层的数目越多。在本实施例中，编码器层的数目可以例如设置成4个。
步骤103，将全局特征分别输入至人物交互编码器、物体检测编码和交互编码器，得到人体物体交互特征、物体检测特征和交互动作特征。
在本实施例中，上述执行主体可以将全局特征分别输入至人物交互编码器、物体检测编码和交互编码器。人物交互编码器可以输出人体物体交互特征，物体检测编码器可以输出物体检测特征，交互编码器可以输出交互动作特征。
通常，人物交互编码器、物体检测编码和交互编码器三个头部编码器并列，为解码器提供特征。其中，人物交互编码器可以将基础编码器的结果作为输入，进一步利用自注意力机制进行建模，输出一种人物交互表征。类似于人物交互编码器，物体检测编码器可以同样基于基础编码器的结果进行编码，输出一种物体检测表征。交互编码器也可以同样基于基础编码器的结果进行编码，输出一种交互动作表征。
在一些实施例中，人物交互编码器可以包括第二预设数目个编码器层，物体检测编码器可以包括第三预设数目个编码器层，交互编码器可以包括第四预设数目个编码器层，每个编码器层可以包括交互注意力层、自注意力层和前向层等，用于完成一次编码操作。
需要说明的是，人物交互编码器、物体检测编码和交互编码器包括的编码器层的数目可以根据需要进行设置。通常，应用场景越复杂，人物交互编码器、物体检测编码和交互编码器包括的编码器层的数目越多。在本实施例中，人物交互编码器、物体检测编码和交互编码器的数目可以例如设置成2个。
步骤104，基于人体物体交互特征、物体检测特征和交互动作特征进行人物交互检测，得到多个人体物体交互信息。
在本实施例中，上述执行主体可以基于人体物体交互特征、物体检测特征和交互动作特征进行人物交互检测，得到多个人体物体交互信息。
通常，解码器可以将人体物体交互特征、物体检测特征和交互动作特征解码成人体物体交互信息。由于多编码器结构对图像特征解耦，提取了不同的图像特征，因此，可以采用多解码器结构基于不同的图像特征进行解码。
本公开实施例提供的人物交互检测方法，提供了一种多编码器结构，通过基础编码器、人物交互编码器、物体检测编码和交互编码器，实现了对图像特征的解耦。对人物检测和动作类别进行更好地解耦，具有较好的泛化性。同时，本实施例提供的人物交互检测方法是单阶段的，时间复杂度较低，能够对模型进行实时推理。
继续参考图2，其示出了根据本公开的人物交互检测方法的又一个实施例的流程200。该人物交互检测方法包括以下步骤：
步骤201，提取待检测图像的像素特征。
步骤202，将像素特征输入至基础编码器，得到全局特征。
步骤203，将全局特征分别输入至人物交互编码器、物体检测编码和交互编码器，得到人体物体交互特征、物体检测特征和交互动作特征。
在本实施例中，步骤201-203的具体操作已在图1所示的实施例中步骤101-103中进行了详细的介绍，在此不再赘述。
步骤204，将人体物体交互特征输入至预先训练的基础解码器，得到多个候选三元组。
在本实施例中，人物交互检测方法的执行主体可以将人体物体交互特征输入至预先训练的基础解码器，得到多个候选三元组。
其中，基础解码器可以将人物交互编码器输出的人体物体交互特征解码成粗糙的三元组表达。具体地，基础解码器可以利用多个三元组查询(query)进行特征提取，得到多个候选三元组，一个三元组查询对应一个候选三元组。候选三元组可以是粗糙的<人体，物体，动作>三元组。
在一些实施例中，基础解码器可以包括第四预设数目个解码器层，每个解码器层可以包括交互注意力层、自注意力层和前向层等，用于完成一次解码操作。
需要说明的是，基础解码器包括的解码器层的数目可以根据需要进行设置。通常，应用场景越复杂，基础解码器包括的解码器层的数目越多。在本实施例中，解码器层的数目可以例如设置成2个。基础解码器的三元组查询的数目也可以根据需要进行设置，在本实施例中，三元组查询的数目可以例如设置成100个。
由于基础解码器的每个三元组查询能够解码出一个候选三元组。为了加强特征表达，采用辅助损失函数进行监督，作用于基础解码器的每个解码器层的输出中。具体地，基础解码器可以采用人体检测框损失函数、物体检测框损失函数和动作分类损失函数进行训练获得。在一些实施例中，计算人体检测框损失函数、物体检测框损失函数和动作分类损失函数的加权和，得到基础解码器的总损失函数，基于基础解码器的总损失函数训练获得基础解码器。其中，人体检测框损失函数可以用于表征预测人体边界框与真实人体边界框的差异。例如，人体检测框损失函数可以通过计算预测人体边界框与真实人体边界框的绝对距离和交并比的加权和得到。物体检测框损失函数可以用于表征预测物体边界框与真实物体边界框的差异。例如，物体检测框损失函数可以通过计算预测物体边界框与真实物体边界框的绝对距离和交并比的加权和，再结合物体类别的交叉熵损失得到。动作分类损失函数可以用于表征预测动作类别与真实动作类别的差异。例如，动作分类损失函数可以通过计算预测动作类别与真实动作类别的焦点损失得到。步骤205，将多个候选三元组和物体检测特征输入至预先训练的物体检测解码器，得到多对人体物体交互信息，以及将多个候选三元组表达和交互动作特征输入至预先训练的交互解码器，得到多个交互动作信息。
在本实施例中，上述执行主体可以将多个候选三元组和物体检测特征作为物体检测解码器的初始化特征，得到多对人体物体交互信息，以及将多个候选三元组表达和交互动作特征作为交互解码器的初始化特征，得到多个交互动作信息。通过特征初始化的方式，实现了由粗到细的过程。
其中，物体检测解码器可以将基础解码器输出的粗糙的候选三元组和物体检测编码器输出的物体检测特征解码成细化的人体物体交互信息。交互解码器可以将基础解码器输出的粗糙的候选三元组和交互编码器输出的交互动作特征解码成细化的交互动作信息。具体地，物体检测解码器可以利用一套查询(query)来进行查找，每个查询可以检测出一对人物交互配对，而不是独立的物体或人体。同理，交互解码器可以利用另一套查询(query)来进行查找，每个查询可以检测出一个交互动作。人体物体交互信息可以包括人体所在的位置、物体所在的位置和物体类别等等。交互动作信息可以包括交互动作类别。
在一些实施例中，物体检测解码器和交互解码器可以包括第五预设数目个解码器层，每个解码器层可以包括交互注意力层、自注意力层和前向层等，用于完成一次解码操作。
需要说明的是，物体检测解码器和交互解码器包括的解码器层的数目可以根据需要进行设置。通常，应用场景越复杂，物体检测解码器和交互解码器包括的解码器层的数目越多。在本实施例中，物体检测解码器的解码器层的数目可以例如设置成4个，交互解码器的解码器层的数目也可以设置成例如4个。
在物体检测解码器中，同样采用了辅助损失函数进行监督，作用于物体检测解码器的每个解码器层。具体地，物体检测解码器可以采用人体检测框损失函数和物体检测框损失函数进行训练获得。在一些实施例中，计算人体检测框损失函数和物体检测框损失函数的加权和，得到物体检测解码器的总损失函数，基于物体检测解码器的总损失函数训练得到物体检测解码器。
在交互解码器中，同样采用了辅助损失函数进行监督，作用于交互解码器的每个解码器层。具体地，交互解码器可以采用动作分类损失函数进行训练获得。步骤206，将多对人体物体交互信息和多个交互动作信息对应组合，得到多个人体物体交互信息。
在本实施例中，上述执行主体可以将多对人体物体交互信息和多个交互动作信息对应组合，得到多个人体物体动作三元组。具体地，来自于同一候选三元组的人体物体交互信息与交互动作信息可以对应组合，生成一个细化的<人体，物体，动作>三元组，实现了由粗到细的过程。
由于物体检测解码器和交互解码器都是基于基础解码器的结果进行特征优化的，这种由粗到细的过程，使得两个头部解码器的输出可以自动匹配上，而免去了匹配引入的额外误差。
在一些实施例中，对于同一个三元组，为了将物体检测解码器的特征与交互解码器的特征很好地进行交互，可以将物体检测解码器的每一解码器层的输出引入到交互解码器的对应层中，增加交互解码器中的物体信息，使其具有很好的融合。随后，基于交互动作特征、物体检测特征和特征转移矩阵，得到更新后的交互动作特征。其中，交互公式如下：
x′a＝xa+Waxd
其中，xa和x′a分别是更新前和更新后的交互动作特征，xd是物体检测特征，Wa是特征转移矩阵，是人物交互检测模型学习到权重，通过反向传播更新，用于对物体检测特征进行线性变换，以便于与交互动作特征融合。其中，人物交互检测模型由基础编码器、人物交互编码器、物体检测编码、交互编码器、基础解码器、物体检测解码器和交互解码器组成。从图2中可以看出，与图1对应的实施例相比，本实施例中的人物交互检测方法的流程200突出了解码步骤。由此，本实施例描述的方案提供了一种由粗到细优化的解耦的人物交互检测方法，通过特征初始化的方式，实现了由粗到细的过程。物体检测解码器和交互解码器都是基于基础解码器的结果进行特征优化的，这种由粗到细的过程，使得两个头部解码器的输出可以自动匹配上，而免去了匹配引入的额外误差。并且，物体检测解码器和交互解码器都是从不同的编码器特征中进行解码的，使得表征可以更好地解耦。本实施例在基于由粗到细的策略基础上，进一步对图像编码器进行解耦，并提出解码器交互模块进一步融合特征，解决匹配误差和联合分布的问题，提升模型效率。
为了便于理解，图3示出了人物交互检测模型的结构示意图。如图3所示，人物交互检测模型包括残差网络301、基础编码器302、物体检测编码器303、人物交互编码器304、交互编码器305、基础解码器306、物体检测解码器307、交互解码器308和交互模块309。将图像输入至残差网络301，得到像素特征。将像素特征输入至基础编码器302，得到全局特征。将全局特征分别输入至物体检测编码器303、人物交互编码器304和交互编码器305，得到物体检测特征、人体物体交互特征和交互动作特征。将人体物体交互特征输入至基础解码器306，得到粗糙的候选三元组。将候选三元组和物体检测特征输入至物体检测解码器307进行特征初始化，并将候选三元组和交互动作特征输入至交互解码器308进行特征初始化。同时，交互模块309将物体检测解码器307的每一解码器层的输出引入到交互解码器308的对应层中。物体检测解码器307输出细化的人体位置、物体位置和物体类别。交互解码器308输出细化的交互动作类别。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种人物交互检测装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例的人物交互检测装置400可以包括：提取模块401、第一编码模块402、第二编码模块403和交互检测模块404。其中，提取模块401，被配置成提取待检测图像的像素特征；第一编码模块402，被配置成将像素特征输入至基础编码器，得到全局特征；第二编码模块403，被配置成将全局特征分别输入至人物交互编码器、物体检测编码和交互编码器，得到人体物体交互特征、物体检测特征和交互动作特征；交互检测模块404，被配置成基于人体物体交互特征、物体检测特征和交互动作特征进行人物交互检测，得到多个人体物体交互信息。
在本实施例中，人物交互检测装置400中：提取模块401、第一编码模块402、第二编码模块403和交互检测模块404的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101-104的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，基础编码器包括第一预设数目个编码器层，人物交互编码器包括第二预设数目个编码器层，物体检测编码器包括第三预设数目个编码器层，交互编码器包括第四预设数目个编码器层，每个编码器层包括交互注意力层、自注意力层和前向层。
在本实施例的一些可选的实现方式中，交互检测模块404进一步被配置成：将人体物体交互特征输入至基础解码器，得到多个候选三元组；将多个候选三元组和物体检测特征输入至物体检测解码器，得到多对人体物体交互信息，以及将多个候选三元组表达和交互动作特征输入至交互解码器，得到多个交互动作信息；将多对人体物体交互信息和多个交互动作信息对应组合，得到多个人体物体交互信息。
在本实施例的一些可选的实现方式中，基础解码器包括第四预设数目个解码器层，物体检测解码器和交互解码器包括第五预设数目个解码器层，每个解码器层包括交互注意力层、自注意力层和前向层。
在本实施例的一些可选的实现方式中，将物体检测解码器的每一解码器层的输出引入到交互解码器的对应层中，基于交互动作特征、物体检测特征和特征转移矩阵，得到更新后的交互动作特征。
在本实施例的一些可选的实现方式中，基础解码器采用人体检测框损失函数、物体检测框损失函数和动作分类损失函数进行训练获得，物体检测解码器采用人体检测框损失函数和物体检测框损失函数进行训练获得，交互解码器采用动作分类损失函数进行训练获得，其中，人体检测框损失函数用于表征预测人体边界框与真实人体边界框的差异，物体检测框损失函数用于表征预测物体边界框与真实物体边界框的差异，动作分类损失函数用于表征预测动作类别与真实动作类别的差异。
在本实施例的一些可选的实现方式中，人体检测框损失函数通过计算预测人体边界框与真实人体边界框的绝对距离和交并比的加权和得到，物体检测框损失函数通过计算预测物体边界框与真实物体边界框的绝对距离和交并比的加权和，再结合物体类别的交叉熵损失得到，动作分类损失函数通过计算预测动作类别与真实动作类别的焦点损失得到。
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，本公开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。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，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5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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。
计算单元501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501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501执行上文所描述的各个方法和处理，例如人物交互检测方法。例如，在一些实施例中，人物交互检测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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的人物交互检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行人物交互检测方法。
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，也可以是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执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种人物交互检测方法，包括：
提取待检测图像的像素特征；
将所述像素特征输入至基础编码器，得到全局特征；
将所述全局特征分别输入至人物交互编码器、物体检测编码和交互编码器，得到人体物体交互特征、物体检测特征和交互动作特征；
基于所述人体物体交互特征、所述物体检测特征和所述交互动作特征进行人物交互检测，得到多个人体物体交互信息。
2.根据权利要求1所述的方法，其中，所述基础编码器包括第一预设数目个编码器层，所述人物交互编码器包括第二预设数目个编码器层，所述物体检测编码器包括第三预设数目个编码器层，所述交互编码器包括第四预设数目个编码器层，每个编码器层包括交互注意力层、自注意力层和前向层。
3.根据权利要求1所述的方法，其中，所述基于所述人体物体交互特征、所述物体检测特征和所述交互动作特征进行人物交互检测，得到多个人体物体交互信息，包括：
将所述人体物体交互特征输入至预先训练的基础解码器，得到多个候选三元组；
将所述多个候选三元组和所述物体检测特征输入至预先训练的物体检测解码器，得到多对人体物体交互信息，以及将所述多个候选三元组表达和所述交互动作特征输入至预先训练的交互解码器，得到多个交互动作信息；
将所述多对人体物体交互信息和所述多个交互动作信息对应组合，得到多个人体物体交互信息。
4.根据权利要求3所述的方法，其中，所述基础解码器包括第四预设数目个解码器层，所述物体检测解码器和所述交互解码器包括第五预设数目个解码器层，每个解码器层包括交互注意力层、自注意力层和前向层。
5.根据权利要求4所述的方法，其中，将所述物体检测解码器的每一解码器层的输出引入到所述交互解码器的对应层中，基于所述交互动作特征、所述物体检测特征和特征转移矩阵，得到更新后的交互动作特征。
6.根据权利要求3-5中任一项所述的方法，其中，所述基础解码器采用人体检测框损失函数、物体检测框损失函数和动作分类损失函数进行训练获得，所述物体检测解码器采用人体检测框损失函数和物体检测框损失函数进行训练获得，所述交互解码器采用动作分类损失函数进行训练获得，其中，所述人体检测框损失函数用于表征预测人体边界框与真实人体边界框的差异，所述物体检测框损失函数用于表征预测物体边界框与真实物体边界框的差异，所述动作分类损失函数用于表征预测动作类别与真实动作类别的差异。
7.根据权利要求6所述的方法，其中，所述人体检测框损失函数通过计算所述预测人体边界框与所述真实人体边界框的绝对距离和交并比的加权和得到，所述物体检测框损失函数通过计算所述预测物体边界框与所述真实物体边界框的绝对距离和交并比的加权和，再结合物体类别的交叉熵损失得到，所述动作分类损失函数通过计算所述预测动作类别与所述真实动作类别的焦点损失得到。
8.一种人物交互检测装置，包括：
提取模块，被配置成提取待检测图像的像素特征；
第一编码模块，被配置成将所述像素特征输入至基础编码器，得到全局特征；
第二编码模块，被配置成将所述全局特征分别输入至人物交互编码器、物体检测编码和交互编码器，得到人体物体交互特征、物体检测特征和交互动作特征；
交互检测模块，被配置成基于所述人体物体交互特征、所述物体检测特征和所述交互动作特征进行人物交互检测，得到多个人体物体交互信息。
9.根据权利要求8所述的方法，其中，所述基础编码器包括第一预设数目个编码器层，所述人物交互编码器包括第二预设数目个编码器层，所述物体检测编码器包括第三预设数目个编码器层，所述交互编码器包括第四预设数目个编码器层，每个编码器层包括交互注意力层、自注意力层和前向层。
10.根据权利要求8所述的装置，其中，所述交互检测模块进一步被配置成：
将所述人体物体交互特征输入至预先训练的基础解码器，得到多个候选三元组；
将所述多个候选三元组和所述物体检测特征输入至预先训练的物体检测解码器，得到多对人体物体交互信息，以及将所述多个候选三元组表达和所述交互动作特征输入至预先训练的交互解码器，得到多个交互动作信息；
将所述多对人体物体交互信息和所述多个交互动作信息对应组合，得到多个人体物体交互信息。
11.根据权利要求10所述的装置，其中，所述基础解码器包括第四预设数目个解码器层，所述物体检测解码器和所述交互解码器包括第五预设数目个解码器层，每个解码器层包括交互注意力层、自注意力层和前向层。
12.根据权利要求11所述的装置，其中，将所述物体检测解码器的每一解码器层的输出引入到所述交互解码器的对应层中，基于所述交互动作特征、所述物体检测特征和特征转移矩阵，得到更新后的交互动作特征。
13.根据权利要求10-12中任一项所述的装置，其中，所述基础解码器采用人体检测框损失函数、物体检测框损失函数和动作分类损失函数进行训练获得，所述物体检测解码器采用人体检测框损失函数和物体检测框损失函数进行训练获得，所述交互解码器采用动作分类损失函数进行训练获得，其中，所述人体检测框损失函数用于表征预测人体边界框与真实人体边界框的差异，所述物体检测框损失函数用于表征预测物体边界框与真实物体边界框的差异，所述动作分类损失函数用于表征预测动作类别与真实动作类别的差异。
14.根据权利要求13所述的装置，其中，所述人体检测框损失函数通过计算所述预测人体边界框与所述真实人体边界框的绝对距离和交并比的加权和得到，所述物体检测框损失函数通过计算所述预测物体边界框与所述真实物体边界框的绝对距离和交并比的加权和，再结合物体类别的交叉熵损失得到，所述动作分类损失函数通过计算所述预测动作类别与所述真实动作类别的焦点损失得到。
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，所述计算机指令用于使所述计算机执行权利要求1-7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，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
CN202210828497.0A 2022-07-13 2022-07-13 人物交互检测方法、装置、设备以及存储介质 Active CN115097941B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210828497.0A CN115097941B (zh) 2022-07-13 2022-07-13 人物交互检测方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210828497.0A CN115097941B (zh) 2022-07-13 2022-07-13 人物交互检测方法、装置、设备以及存储介质

Publications (2)

Publication Number Publication Date
CN115097941A true CN115097941A (zh) 2022-09-23
CN115097941B CN115097941B (zh) 2023-10-10

Family

ID=83295897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210828497.0A Active CN115097941B (zh) 2022-07-13 2022-07-13 人物交互检测方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN115097941B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824609A (zh) * 2023-06-29 2023-09-29 北京百度网讯科技有限公司 文档版式检测方法、装置和电子设备

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080130736A1 (en) * 2006-07-04 2008-06-05 Canon Kabushiki Kaisha Methods and devices for coding and decoding images, telecommunications system comprising such devices and computer program implementing such methods
CN103246546A (zh) * 2013-05-07 2013-08-14 山东大学 基于云技术的开放式电力系统数值仿真系统及其仿真方法
CN104753817A (zh) * 2013-12-25 2015-07-01 中国移动通信集团公司 一种云计算消息队列服务本地模拟方法和系统
CN107193627A (zh) * 2017-03-30 2017-09-22 中国电力科学研究院 一种基于虚拟化技术的仿真场景创建方法和装置
CN107277168A (zh) * 2017-07-26 2017-10-20 河南思维轨道交通技术研究院有限公司 一种支持云端多用户远程无线仿真调试系统和方法
CN107632879A (zh) * 2017-10-31 2018-01-26 中国人民解放军国防科技大学 云仿真平台
CN107807545A (zh) * 2016-09-08 2018-03-16 北京京东尚科信息技术有限公司 一种远程控制端的调试方法和装置
CN108494860A (zh) * 2018-03-28 2018-09-04 百度在线网络技术（北京）有限公司 Web访问系统、用于客户端的web访问方法和装置
US10482603B1 (en) * 2019-06-25 2019-11-19 Artificial Intelligence, Ltd. Medical image segmentation using an integrated edge guidance module and object segmentation network
CN113222916A (zh) * 2021-04-28 2021-08-06 北京百度网讯科技有限公司 采用目标检测模型检测图像的方法、装置、设备和介质
CN113259780A (zh) * 2021-07-15 2021-08-13 中国传媒大学 全息多维音视频播放进度条生成、显示和控制播放方法
CN113379096A (zh) * 2020-02-25 2021-09-10 本田技研工业株式会社 基于合成字段的单发(single shot)预测
CN113449801A (zh) * 2021-07-08 2021-09-28 西安交通大学 一种基于多级图像上下文编解码的图像人物行为描述生成方法
CN113469146A (zh) * 2021-09-02 2021-10-01 深圳市海清视讯科技有限公司 目标检测方法及设备
CN113505634A (zh) * 2021-05-24 2021-10-15 安徽大学 一种双流解码跨任务交互网络的光学遥感图像显著目标检测方法
CN113837102A (zh) * 2021-09-26 2021-12-24 广州华多网络科技有限公司 图文融合分类方法及其装置、设备、介质、产品
CN114004985A (zh) * 2021-10-29 2022-02-01 北京百度网讯科技有限公司 人物交互检测方法、神经网络及其训练方法、设备和介质
CN114241606A (zh) * 2021-12-26 2022-03-25 辽宁石油化工大学 一种基于自适应集学习预测的人物交互检测方法
CN114331982A (zh) * 2021-12-20 2022-04-12 北京三快在线科技有限公司 一种目标计数方法及装置
CN114418069A (zh) * 2022-01-19 2022-04-29 腾讯科技（深圳）有限公司 一种编码器的训练方法、装置及存储介质
CN114550223A (zh) * 2022-04-25 2022-05-27 中国科学院自动化研究所 人物交互检测方法、装置及电子设备
CN114550033A (zh) * 2022-01-29 2022-05-27 珠海横乐医学科技有限公司 视频序列导丝分割方法、装置、电子设备及可读介质
CN114663915A (zh) * 2022-03-04 2022-06-24 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

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080130736A1 (en) * 2006-07-04 2008-06-05 Canon Kabushiki Kaisha Methods and devices for coding and decoding images, telecommunications system comprising such devices and computer program implementing such methods
CN103246546A (zh) * 2013-05-07 2013-08-14 山东大学 基于云技术的开放式电力系统数值仿真系统及其仿真方法
CN104753817A (zh) * 2013-12-25 2015-07-01 中国移动通信集团公司 一种云计算消息队列服务本地模拟方法和系统
CN107807545A (zh) * 2016-09-08 2018-03-16 北京京东尚科信息技术有限公司 一种远程控制端的调试方法和装置
CN107193627A (zh) * 2017-03-30 2017-09-22 中国电力科学研究院 一种基于虚拟化技术的仿真场景创建方法和装置
CN107277168A (zh) * 2017-07-26 2017-10-20 河南思维轨道交通技术研究院有限公司 一种支持云端多用户远程无线仿真调试系统和方法
CN107632879A (zh) * 2017-10-31 2018-01-26 中国人民解放军国防科技大学 云仿真平台
CN108494860A (zh) * 2018-03-28 2018-09-04 百度在线网络技术（北京）有限公司 Web访问系统、用于客户端的web访问方法和装置
US10482603B1 (en) * 2019-06-25 2019-11-19 Artificial Intelligence, Ltd. Medical image segmentation using an integrated edge guidance module and object segmentation network
CN113379096A (zh) * 2020-02-25 2021-09-10 本田技研工业株式会社 基于合成字段的单发(single shot)预测
CN113222916A (zh) * 2021-04-28 2021-08-06 北京百度网讯科技有限公司 采用目标检测模型检测图像的方法、装置、设备和介质
CN113505634A (zh) * 2021-05-24 2021-10-15 安徽大学 一种双流解码跨任务交互网络的光学遥感图像显著目标检测方法
CN113449801A (zh) * 2021-07-08 2021-09-28 西安交通大学 一种基于多级图像上下文编解码的图像人物行为描述生成方法
CN113259780A (zh) * 2021-07-15 2021-08-13 中国传媒大学 全息多维音视频播放进度条生成、显示和控制播放方法
CN113469146A (zh) * 2021-09-02 2021-10-01 深圳市海清视讯科技有限公司 目标检测方法及设备
CN113837102A (zh) * 2021-09-26 2021-12-24 广州华多网络科技有限公司 图文融合分类方法及其装置、设备、介质、产品
CN114004985A (zh) * 2021-10-29 2022-02-01 北京百度网讯科技有限公司 人物交互检测方法、神经网络及其训练方法、设备和介质
CN114331982A (zh) * 2021-12-20 2022-04-12 北京三快在线科技有限公司 一种目标计数方法及装置
CN114241606A (zh) * 2021-12-26 2022-03-25 辽宁石油化工大学 一种基于自适应集学习预测的人物交互检测方法
CN114418069A (zh) * 2022-01-19 2022-04-29 腾讯科技（深圳）有限公司 一种编码器的训练方法、装置及存储介质
CN114550033A (zh) * 2022-01-29 2022-05-27 珠海横乐医学科技有限公司 视频序列导丝分割方法、装置、电子设备及可读介质
CN114663915A (zh) * 2022-03-04 2022-06-24 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
CN114550223A (zh) * 2022-04-25 2022-05-27 中国科学院自动化研究所 人物交互检测方法、装置及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824609A (zh) * 2023-06-29 2023-09-29 北京百度网讯科技有限公司 文档版式检测方法、装置和电子设备
CN116824609B (zh) * 2023-06-29 2024-05-24 北京百度网讯科技有限公司 文档版式检测方法、装置和电子设备

Also Published As

Publication number Publication date
CN115097941B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN113657390B (zh) 文本检测模型的训练方法和检测文本方法、装置和设备
CN112668671B (zh) 预训练模型的获取方法和装置
CN113222916B (zh) 采用目标检测模型检测图像的方法、装置、设备和介质
CN114820871B (zh) 字体生成方法、模型的训练方法、装置、设备和介质
CN114494784A (zh) 深度学习模型的训练方法、图像处理方法和对象识别方法
CN116152833B (zh) 基于图像的表格还原模型的训练方法及表格还原方法
CN113239157B (zh) 对话模型的训练方法、装置、设备和存储介质
CN113901909A (zh) 基于视频的目标检测方法、装置、电子设备和存储介质
CN115359383A (zh) 跨模态特征提取、检索以及模型的训练方法、装置及介质
CN113360700A (zh) 图文检索模型的训练和图文检索方法、装置、设备和介质
CN113869205A (zh) 对象检测方法、装置、电子设备和存储介质
CN114715145B (zh) 一种轨迹预测方法、装置、设备及自动驾驶车辆
CN116363459A (zh) 目标检测方法、模型训练方法、装置、电子设备及介质
CN114242113A (zh) 语音检测方法、训练方法、装置和电子设备
CN114120172B (zh) 基于视频的目标检测方法、装置、电子设备及存储介质
CN114821063A (zh) 语义分割模型的生成方法及装置、图像的处理方法
CN113360683B (zh) 训练跨模态检索模型的方法以及跨模态检索方法和装置
CN115097941B (zh) 人物交互检测方法、装置、设备以及存储介质
CN116310643A (zh) 视频处理模型训练方法、装置以及设备
CN114419327B (zh) 图像检测方法和图像检测模型的训练方法、装置
CN114220163B (zh) 人体姿态估计方法、装置、电子设备及存储介质
CN115527069A (zh) 物品识别和物品识别系统构建方法及装置
CN113806541A (zh) 情感分类的方法和情感分类模型的训练方法、装置
CN114973333B (zh) 人物交互检测方法、装置、设备以及存储介质
CN113553413A (zh) 对话状态的生成方法、装置、电子设备和存储介质

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