CN115170819A - 目标识别方法及装置、电子设备和介质 - Google Patents

目标识别方法及装置、电子设备和介质 Download PDF

Info

Publication number
CN115170819A
CN115170819A CN202210864531.XA CN202210864531A CN115170819A CN 115170819 A CN115170819 A CN 115170819A CN 202210864531 A CN202210864531 A CN 202210864531A CN 115170819 A CN115170819 A CN 115170819A
Authority
CN
China
Prior art keywords
network
image
feature
features
inputting
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.)
Pending
Application number
CN202210864531.XA
Other languages
English (en)
Inventor
苏翔博
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 CN202210864531.XA priority Critical patent/CN115170819A/zh
Publication of CN115170819A publication Critical patent/CN115170819A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/77—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

Landscapes

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

Abstract

本公开提供了一种目标识别方法、装置、电子设备、计算机可读存储介质和计算机程序产品，涉及人工智能技术领域，尤其涉及图像处理、计算机视觉和深度学习等技术领域，可应用于智慧城市、智能交通、智能安防等场景。实现方案为：获取包括待识别目标的图像；将图像输入经训练的多任务神经网络模型中的主干网络获得第一图像特征；将特征金字塔网络增强后的图像特征基于通道信息分为第一部分特征和第二部分特征；将第二部分特征分别输入到全局自注意力感知网络以及局部感知网络；将全局图像特征和局部图像特征进行融合后与第一部分特征基于通道信息合并获得第二图像特征；将第二图像特征分别输入多个检测头网络以获得相应的识别结果。

Description

目标识别方法及装置、电子设备和介质
技术领域
本公开涉及人工智能技术领域，尤其涉及图像处理、计算机视觉和深度学习等技术领域，可应用于智慧城市、智能交通、智能安防等场景，具体涉及一种目标识别方法、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。
在智慧城市、智慧交通、安防大数据系统等城市级感知应用中，通常需要将监控视频流或图片流中出现的各类目标进行检测，并对被所有被检测到的目标或对象进行属性识别、动作识别等场景理解，用于各目标的建档、场景结构化输出等应用。因此、高效的目标感知方法成为了迫切的需求。
发明内容
本公开提供了一种目标识别方法、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，提供了一种目标识别方法，包括：获取包括待识别目标的图像；将所述图像输入经训练的多任务神经网络模型中的主干网络，获得多个通道的第一图像特征；将所述第一图像特征输入所述多任务神经网络模型中的特征金字塔网络，获得增强图像特征；将所述增强图像特征输入所述多任务神经网络模型中的分解网络，以将所述增强图像特征基于通道信息分为第一部分特征和第二部分特征；将所述第二部分特征分别输入到所述多任务神经网络模型中的全局自注意力感知网络以及局部感知网络，以获得全局图像特征和局部图像特征；将所述全局图像特征和局部图像特征输入所述多任务神经网络模型中的融合网络，以获得融合图像特征；将所述融合图像特征和所述第一部分特征输入所述多任务神经网络模型中的合并网络以基于通道信息合并，获得第二图像特征；以及将所述第二图像特征分别输入所述多任务神经网络模型中的多个检测头网络，以分别获得相应的识别结果。
根据本公开的另一方面，提供了一种神经网络模型训练方法，包括：初始化待训练的多任务神经网络模型，所述多任务神经网络模型包括主干网络、特征金字塔网络、分解网络、全局自注意力感知网络、局部感知网络、融合网络、合并网络以及多个检测头网络；获取包括多个待识别目标的样本图像以及所述样本图像所对应的标签数据；将所述样本图像输入中的主干网络，以获得多个通道的第一图像特征；将所述第一图像特征输入所述特征金字塔网络，以获得增强图像特征；将所述增强图像特征输入所述分解网络，以将所述增强图像特征基于通道信息分为第一部分特征和第二部分特征；将所述第二部分特征分别输入到所述全局自注意力感知网络以及所述局部感知网络，以获得全局图像特征和局部图像特征；将所述全局图像特征和局部图像特征输入所述融合网络，以获得融合图像特征；将所述融合图像特征和所述第一部分特征输入所述合并网络，以基于通道信息进行合并，获得第二图像特征；将所述第二图像特征分别输入所述多个检测头网络，以分别获得相应的识别结果；以及基于所述识别结果以及所述标签数据调节所述多任务神经网络模型的参数。
根据本公开的另一方面，提供了一种目标识别装置，包括：第一获取单元，配置为获取包括待识别目标的图像；第一特征提取单元，配置为将所述图像输入经训练的多任务神经网络模型中的主干网络，获得多个通道的第一图像特征；第一增强单元，配置为将所述第一图像特征输入所述多任务神经网络模型中的特征金字塔网络，获得增强图像特征；第一分解单元，配置为将所述增强图像特征输入所述多任务神经网络模型中的分解网络，以将所述增强图像特征基于通道信息分为第一部分特征和第二部分特征；第一感知单元，配置为将所述第二部分特征分别输入到所述多任务神经网络模型中的全局自注意力感知网络以及局部感知网络，以获得全局图像特征和局部图像特征；第一融合单元，配置为将所述全局图像特征和局部图像特征输入所述多任务神经网络模型中的融合网络，以获得融合图像特征；第一合并单元，配置为将所述融合图像特征和所述第一部分特征输入所述多任务神经网络模型中的合并网络以基于通道信息合并，获得第二图像特征；以及第一预测单元，配置为将所述第二图像特征分别输入所述多任务神经网络模型中的多个检测头网络，以分别获得相应的识别结果。
根据本公开的另一方面，提供了一种神经网络模型训练装置，包括：初始化单元，配置为初始化待训练的多任务神经网络模型，所述多任务神经网络模型包括主干网络、特征金字塔网络、分解网络、全局自注意力感知网络、局部感知网络、融合网络、合并网络以及多个检测头网络；第二获取单元，配置为获取包括多个待识别目标的样本图像以及所述样本图像所对应的标签数据；第二特征提取单元，配置为将所述样本图像输入中的主干网络，以获得多个通道的第一图像特征；第二增强单元，配置为将所述第一图像特征输入所述特征金字塔网络，以获得增强图像特征；第二分解单元，配置为将所述增强图像特征输入所述分解网络，以将所述增强图像特征基于通道信息分为第一部分特征和第二部分特征；第二感知单元，配置为将所述第二部分特征分别输入到所述全局自注意力感知网络以及所述局部感知网络，以获得全局图像特征和局部图像特征；第二融合单元，配置为将所述全局图像特征和局部图像特征输入所述融合网络，以获得融合图像特征；第二合并单元，配置为将所述融合图像特征和所述第一部分特征输入所述合并网络，以基于通道信息进行合并，获得第二图像特征；以及第二预测单元，配置为将所述第二图像特征分别输入所述多个检测头网络，以分别获得相应的识别结果；以及训练单元，配置为基于所述识别结果以及所述标签数据调节所述多任务神经网络模型的参数。
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本公开所述的方法。
根据本公开的一个或多个实施例，在不同任务之间共享主干网络和特征金字塔网络，可以只对图像进行一次深度学习处理，即可预测得到多个任务对应的检测结果，不再需要对各个目标裁切目标区域图像进行预处理；并且，通过全局自注意力感知网络以及局部感知网络，使得同时关注于全局特征和局部特征，提高识别效果，从而提高识别效率。
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目标识别方法的流程图；
图3示出了根据本公开的实施例的主干网络和特征金字塔网络的结构示意图；
图4示出了根据本公开的实施例的全局-局部感知网络的结构示意图；
图5示出了根据本公开的实施例的多任务神经网络模型的结构示意图；
图6示出了根据本公开的实施例的神经网络模型训练方法的流程图；
图7示出了根据本公开的实施例的目标识别装置的结构框图；
图8示出了根据本公开的实施例的神经网络模型训练装置的结构框图；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目标识别或神经网络模型训练的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还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。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来收集包括待识别目标的图像。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、区块链网络、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图像的信息。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。
在例如智慧城市、智慧交通、安防大数据系统等城市级感知应用中，通常需要将监控视频流或图片流中出现的各类目标进行检测。通常，在进行各类目标检测任务时，首先对图像应用多分类检测模型，得到画面中所有关心的目标，例如人体、人脸、机动车、非机动车等物体的坐标和类别；然后通过ROI(感兴趣区域)图像提取模块依据所得到的目标坐标，逐个提取目标所在区域图像，从而将提取到的区域图像根据其所属类别送入全目标属性识别模型中的相应模型中进行识别，例如所属类别为人脸，则送入人脸属性模型进行识别。全目标属性识别模块可以由人脸、人体、机动车、非机动车、人体动作识别等多个属性识别模型组成。
但是，对每帧图像进行检测，以在得到了全部目标检测信息后针对各个目标裁切相应的目标区域图像并进行预处理，从而依次送入全目标属性识别模型，这样对计算资源开销大、耗时长，从而造成识别效率低下。并且，全目标属性识别模型的各个模型之间不具有相关性，无法通过共享模型参数的方式增强特征表达、降低模型计算量。
因此，为了尽可能减少计算开销并提升计算效率，根据本公开的实施例提供了一种目标识别方法。图2示出了根据本公开的实施例的目标识别方法的流程图。如图2所示，该方法200包括：获取包括待识别目标的图像(步骤210)；将图像输入经训练的多任务神经网络模型中的主干网络，获得多个通道的第一图像特征(步骤220)；将第一图像特征输入多任务神经网络模型中的特征金字塔网络，获得增强图像特征(步骤230)；将增强图像特征输入多任务神经网络模型中的分解网络，以将增强图像特征基于通道信息分为第一部分特征和第二部分特征(步骤240)；将第二部分特征分别输入到多任务神经网络模型中的全局自注意力感知网络以及局部感知网络，以获得全局图像特征和局部图像特征(步骤250)；将全局图像特征和局部图像特征输入多任务神经网络模型中的融合网络，以获得融合图像特征(步骤260)；将融合图像特征和第一部分特征输入多任务神经网络模型中的合并网络以基于通道信息合并，获得第二图像特征(步骤270)；以及将第二图像特征分别输入多任务神经网络模型中的多个检测头网络，以分别获得相应的识别结果(步骤280)。
根据本公开的实施例，在不同任务之间共享主干网络和特征金字塔网络，可以只对图像进行一次深度学习处理，即可预测得到多个任务对应的检测结果，不再需要对各个目标裁切目标区域图像进行预处理；并且，通过全局自注意力感知网络以及局部感知网络，使得同时关注于全局特征和局部特征，提高识别效果，从而提高识别效率。
在本公开中，可以通过设置多个检测头网络以实现多个相关的任务的同时学习。根据一些实施例，所述多个检测头网络可以包括目标识别网络以及目标交互行为识别网络。
在本公开中，可以将多个相关的任务同时并行学习，梯度同时反向传播，多个任务通过底层的共享表示来互相帮助学习，提升泛化效果。
在本公开中，例如可以对摄像头所捕获的实时视频流进行抽帧，以获得待识别的图像。在一些示例中，所获取的图像可以首先经过预处理操作，以与模型训练过程统一、增强模型鲁棒性。示例地，该预处理操作包括但不限于将其缩放成固定尺寸(例如416*416)、减去预设的RGB均值(例如[104，117，123])等。
经过预处理的图像即可输入多任务神经网络模型中进行目标识别。在该多任务神经网络模型中，该图像首先会被输入统一的主干网络以进行特征提取，主干网络的输出将被送入特征金字塔(FPN)网络，以获得增强后的图像特征。示例地，该主干网络可以为卷积神经网络CNN、Resnet系列，等等。
特征金字塔网络是一种利用常规卷积神经网络模型来高效提取图像中各维度特征的方法。特征金字塔网络是根据特征金字塔概念设计的特征提取器，可以同时结合浅层语义和深层语义信息，目的是提高精度和速度。该网络利用常规卷积神经网络模型内部从底至上各层对同一尺寸图片不同维度的特征表达结构，相当于是传统卷积神经网络对图像信息进行表达输出的一种增强，从而改进卷积神经网络的特征提取方式，使最终输出的特征更好地表示出输入图像各维度的信息。
在一些示例中，从主干网络输出的特征是由不同尺度大小的多张特种图组成的，它们被输入特征金字塔后会计算得到新的增强特征图。如图3所示，主干网络301包括多个网络层，经过其计算后，输出的图像特征为C3、C4、C5，以作为特征金字塔网络302的输入。特征金字塔网络302经过其内部计算后输出的图像特征为F1、F2和F3。也就是说，在一些示例中，特征金字塔网络输出的图像特征可以为多个不同尺度的图像特征。因此，可以分别对特征金字塔网络每一个图像特征分别按通道进行拆分，将拆分后的每一个第二部分特征图像通过全局-局部感知网络(即全局自注意力感知网络以及局部感知网络)进行处理后再与其相对应的第一部分图像特征进行合并，从而将合并后的图像依次送入相应的检测头网络，以实现相应目标的属性识别。
在本公开中，为实现多任务学习，既要对目标进行局部感知、定位和识别，又需要对目标之间的交互行为进行识别，因此需要网络同时具备局部和全局的感知能力。在本公开中，在特征金字塔网络后连接全局-局部感知网络，可以将全局特征和局部特征进行充分融合，以增强网络对于局部目标和全局交互的学习能力。
在一些实施例中，全局-局部感知网络的网络结构可以如图4所示。具体地，首先，将特征金字塔网络输出的参数为(n,c,h,w)(其中n表示批(batch)处理数量、c表示通道数、h和w分别所示图像特征的高和宽)的图像特征，基于通道信息拆分为两个部分的特征，即将该图像特征按通道数进行拆分，每个部分的特征参数均为(n,c/2,h,w)。可以理解的是，第一部分特征和第二部分特征不一定需要按照通道数进行平均分配，也可以为不平均拆分，如在c＝6时，可以将前2个通道的图像特征确定为第一部分特征、后4个通道的图像特征确定为第二部分特征，在此不作限制。
在本公开中，第一部分特征不经过参数层计算，而第二部分特征经过全局-局部感知网络的若干参数层计算后，两个部分再次沿着通道维度连接融合，得到形状为(n,c,h,w)的图像特征输出。这样，既保留了特征金字塔增强后的部分图像特征，还提高了局部和全局的感知能力。并且，通过拆分与融合策略将梯度路径数量扩增一倍，其中第二部分特征由于通道数量减半，经过参数层的计算量和显存占用也相应减少，在提升网络学习能力的同时也提升了计算效率。
第二部分特征分别进入全局自注意力感知网络和局部感知网络，并最终进行融合。根据一些实施例，所述全局自注意力感知网络包括多头自注意力模块、LayerNorm模块以及前馈网络(FFN)模块。如图4所示，全局自注意力感知网络对输入的图像特征经过尺寸变换(reshape)操作得到形状为(n,c/2,h*w)的特征向量，后经过多头自注意力模块(MHA，multi-head attention)、LayerNorm网络、前馈网络(FFN)以及LayerNorm网络的参数层得到形状为(n,c/2,h*w)的特征向量，再通过尺寸变换(reshape)操作得到形状为(n,c/2,h,w)的图像特征，其中⊕表示融合操作，例如相加(add)、concat、池化(pooling)等。
全局自注意力感知网络的目的在于利用自注意力机制对特征进行全局建模，从而使得网络获得跨局部窗口的全局感知能力。根据一些实施例，所述局部感知网络包括卷积层和批量归一化层。例如，局部感知网络由卷积层(3*3)和BN(Batch Normalization)层组成。示例地，将所述第二部分特征输入到所述多任务神经网络模型中的局部感知网络可以包括：将所述第二部分特征输入到所述卷积层，以获得第三图像特征；将所述第三图像特征与所述第二部分特征进行融合，以获得第四图像特征；以及将所述第四图像特征输入所述批量归一化层，以获得所述局部图像特征。
全局自注意力感知网络与局部感知网络输出的图像特征最终融合后，再与第一部分图像特征按通道进行合并，得到包括原通道数的图像特征。
图5示出了根据本公开的实施例的多任务神经网络模型的结构示意图。如图5所示，所输入的图像经主干网络、特征金字塔网络后得到多个通道的图像特征501，图像特征501基于通道信息分为第一部分特征502和第二部分特征503。第二部分特征503经全局自注意力融合网络和局部融合网络处理后，将其融合后的图像特征与第一部分特征502进行通道合并，以得到图像特征504，从而送入多个子网络进行相应识别任务。
根据一些实施例，所述待识别目标包括人体和物体中的至少一个。所述目标识别网络包括以下项中的至少一项：用于输出人脸检测框的人脸检测网络、用于输出人脸属性的人脸属性识别网络、用于输出人体检测框的人体检测网络、用于输出人体属性的人体属性识别网络、用于输出单人动作的单人动作识别网络、用于输出物体检测框的物体检测网络、以及用于输出物体属性的物体属性识别网络；以及所述目标交互行为识别网络包括以下项中的至少一项：人和人交互行为识别网络、人和物体交互行为识别网络。
具体地，所述人和人交互行为识别网络用于输出交互行为、以及交互中心点分别到产生交互行为的两个人体中心点之间的向量，其中所述交互中心点为所述两个人体中心点之间连线的中心点；所述人和物体交互行为识别网络用于输出交互行为、以及交互中心点分别到产生交互行为的人体中心点和物体中心点之间的向量，其中所述交互中心点为所述人体中心点和所述物体中点之间连线的中心点。
在一些示例中，每个目标识别网络分别对应一个类别的目标，例如可任意包括人体识别网络、人脸识别网络、车辆识别网络和其他物体识别网络。其他物体可以是指除车辆外的其他物体，如和物体交互行为识别网络中的物体(例如香烟、手机、行李箱、背包等)。
在本公开中，每个检测头网络可以由若干个卷积层、激活层、批处理层组成。根据一些实施例，所述人脸检测网络和人脸属性识别网络共享浅层卷积网络的参数；以及所述人体检测网络、所述人体属性识别网络和所述单人动作识别网络共享浅层卷积网络的参数。即，可以浅层共享卷积参数、末端卷积层参数独立，最终分为多个任务分支输出。
具体地，在一些示例中，检测网络分支(如人脸检测、人体检测、车辆检测、其他物体检测等)可以输出长度为6的向量，即表示对目标检测框的预测(x,y,w,h,class,score)，其中score表示该目标检测框预测的置信度，x、y、w、h分别表示目标检测框坐标及尺寸，class表示目标的子类别。对于属性识别网络分支，可以在目标所在锚点位置输出N个分类结果，分别对应该目标的N种属性，例如人体的服饰颜色、发长、佩戴帽子、手套、朝向等属性、车辆的颜色、朝向、有无车牌、是否改装等属性。单人动作识别网络分支可以在目标所在锚点位置输出M个分类结果，分别对应该目标的M种动作，例如站立、走、跑、跌倒等动作。
在一些示例中，对于人和物体交互行为识别网络分支，可以在动作中心所在锚点位置输出P个分类结果以及2组二维向量，其中P个分类结果分别对应人体与物体的P种交互动作，例如骑车、抽烟、打电话、看手机、拉行李箱、背包等动作。第一组二维向量(dx1,dy1)，表示动作中心点指向人体检测框中心点的偏移向量；第二组二维向量(dx2,dy2)，表示动作中心点指向物体检测框中心点的偏移向量，其中动作中心点为产生交互的人和物体的检测框的中心点连线的中点位置。通过偏移向量可以匹配到对应的目标检测框，最终可以获得人体定位、物体定位以及人-物交互行为类别的识别结果。
在一些示例中，对于人和人交互行为识别网络分支，可以在动作中心所在锚点位置输出Q个分类结果以及2组二维向量，其中Q个分类结果分别对应人体与人的Q种交互动作，例如握手、拥抱、肢体冲突等动作。第一组二维向量(dx1,dy1)，表示动作中心点指向人体1检测框中心点的偏移向量；第二组二维向量(dx2,dy2)，表示动作中心点指向人体2检测框中心点的偏移向量，其中动作中心点是产生交互的两个人体检测框的中心点连线的中点位置。通过偏移向量可以匹配到对应的目标检测框，最终可以获得人体定位以及人-人交互行为类别的识别结果。
根据本公开的实施例，如图6所示，还提供了一种神经网络模型训练方法600，包括：初始化待训练的多任务神经网络模型，所述多任务神经网络模型包括主干网络、特征金字塔网络、分解网络、全局自注意力感知网络、局部感知网络、融合网络、合并网络以及多个检测头网络(步骤601)；获取包括多个待识别目标的样本图像以及所述样本图像所对应的标签数据(步骤602)；将所述样本图像输入中的主干网络，以获得多个通道的第一图像特征(步骤603)；将所述第一图像特征输入所述特征金字塔网络，以获得增强图像特征(步骤604)；将所述增强图像特征输入所述分解网络，以将所述增强图像特征基于通道信息分为第一部分特征和第二部分特征(步骤605)；将所述第二部分特征分别输入到所述全局自注意力感知网络以及所述局部感知网络，以获得全局图像特征和局部图像特征(步骤606)；将所述全局图像特征和局部图像特征输入所述融合网络，以获得融合图像特征(步骤607)；将所述融合图像特征和所述第一部分特征输入所述合并网络，以基于通道信息进行合并，获得第二图像特征(步骤608)；将所述第二图像特征分别输入所述多个检测头网络，以分别获得相应的识别结果(步骤609)；以及基于所述识别结果以及所述标签数据调节所述多任务神经网络模型的参数(步骤610)。
根据一些实施例，所述多个待识别目标存在交互行为，所述标签数据包括目标检测框、交互中心点、所述交互中心点到存在交互行为的检测框中心点的向量，其中所述交互中心点为所述存在交互行为的检测框中心点之间连线的中心点。
根据一些实施例，所述多个检测头网络包括目标识别网络以及目标交互行为识别网络。
根据一些实施例，所述局部感知网络包括卷积层和批量归一化层。将所述第二部分特征输入到所述多任务神经网络模型中的局部感知网络包括：将所述第二部分特征输入到所述卷积层，以获得第三图像特征；将所述第三图像特征与所述第二部分特征进行融合，以获得第四图像特征；以及将所述第四图像特征输入所述批量归一化层，以获得所述局部图像特征。
根据本公开的实施例，如图7所示，还提供了一种目标识别装置700，包括：第一获取单元710，配置为获取包括待识别目标的图像；第一特征提取单元720，配置为将所述图像输入经训练的多任务神经网络模型中的主干网络，获得多个通道的第一图像特征；第一增强单元730，配置为将所述第一图像特征输入所述多任务神经网络模型中的特征金字塔网络，获得增强图像特征；第一分解单元740，配置为将所述增强图像特征输入所述多任务神经网络模型中的分解网络，以将所述增强图像特征基于通道信息分为第一部分特征和第二部分特征；第一感知单元750，配置为将所述第二部分特征分别输入到所述多任务神经网络模型中的全局自注意力感知网络以及局部感知网络，以获得全局图像特征和局部图像特征；第一融合单元760，配置为将所述全局图像特征和局部图像特征输入所述多任务神经网络模型中的融合网络，以获得融合图像特征；第一合并单元770，配置为将所述融合图像特征和所述第一部分特征输入所述多任务神经网络模型中的合并网络以基于通道信息合并，获得第二图像特征；以及第一预测单元780，配置为将所述第二图像特征分别输入所述多任务神经网络模型中的多个检测头网络，以分别获得相应的识别结果。
这里，目标识别装置700的上述各单元710～780的操作分别与前面描述的步骤210～280的操作类似，在此不再赘述。
根据本公开的实施例，如图8所示，一种神经网络模型训练装置800，包括：初始化单元801，配置为初始化待训练的多任务神经网络模型，所述多任务神经网络模型包括主干网络、特征金字塔网络、分解网络、全局自注意力感知网络、局部感知网络、融合网络、合并网络以及多个检测头网络；第二获取单元802，配置为获取包括多个待识别目标的样本图像以及所述样本图像所对应的标签数据；第二特征提取单元803，配置为将所述样本图像输入中的主干网络，以获得多个通道的第一图像特征；第二增强单元804，配置为将所述第一图像特征输入所述特征金字塔网络，以获得增强图像特征；第二分解单元805，配置为将所述增强图像特征输入所述分解网络，以将所述增强图像特征基于通道信息分为第一部分特征和第二部分特征；第二感知单元806，配置为将所述第二部分特征分别输入到所述全局自注意力感知网络以及所述局部感知网络，以获得全局图像特征和局部图像特征；第二融合单元807，配置为将所述全局图像特征和局部图像特征输入所述融合网络，以获得融合图像特征；第二合并单元808，配置为将所述融合图像特征和所述第一部分特征输入所述合并网络，以基于通道信息进行合并，获得第二图像特征；以及第二预测单元809，配置为将所述第二图像特征分别输入所述多个检测头网络，以分别获得相应的识别结果；以及训练单元810，配置为基于所述识别结果以及所述标签数据调节所述多任务神经网络模型的参数。
这里，神经网络模型训练装置800的上述各单元801～810的操作分别与前面描述的步骤601～610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，电子设备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RAM903中，还可存储电子设备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。
电子设备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可以是能向电子设备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允许电子设备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，例如方法200或600。例如，在一些实施例中，方法200或600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/或安装到电子设备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方法200或600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)而被配置为执行方法200或600。
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)、互联网和区块链网络。
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 (23)

1.一种目标识别方法，包括：
获取包括待识别目标的图像；
将所述图像输入经训练的多任务神经网络模型中的主干网络，获得多个通道的第一图像特征；
将所述第一图像特征输入所述多任务神经网络模型中的特征金字塔网络，获得增强图像特征；
将所述增强图像特征输入所述多任务神经网络模型中的分解网络，以将所述增强图像特征基于通道信息分为第一部分特征和第二部分特征；
将所述第二部分特征分别输入到所述多任务神经网络模型中的全局自注意力感知网络以及局部感知网络，以获得全局图像特征和局部图像特征；
将所述全局图像特征和局部图像特征输入所述多任务神经网络模型中的融合网络，以获得融合图像特征；
将所述融合图像特征和所述第一部分特征输入所述多任务神经网络模型中的合并网络以基于通道信息合并，获得第二图像特征；以及
将所述第二图像特征分别输入所述多任务神经网络模型中的多个检测头网络，以分别获得相应的识别结果。
2.如权利要求1所述的方法，其中，所述多个检测头网络包括目标识别网络以及目标交互行为识别网络。
3.如权利要求2所述的方法，其中，所述待识别目标包括人体和物体中的至少一个，并且，
所述目标识别网络包括以下项中的至少一项：人脸检测网络、人脸属性识别网络、人体检测网络、人体属性识别网络、单人动作识别网络、物体检测网络以及物体属性识别网络；以及
所述目标交互行为识别网络包括以下项中的至少一项：第一交互行为识别网络、第二交互行为识别网络，
其中，所述第一交互行为识别网络用于输出交互行为、以及交互中心点分别到产生交互行为的两个人体中心点之间的向量，其中所述交互中心点为所述两个人体中心点之间连线的中心点；
所述第二交互行为识别网络用于输出交互行为、以及交互中心点分别到产生交互行为的人体中心点和物体中心点之间的向量，其中所述交互中心点为所述人体中心点和所述物体中点之间连线的中心点。
4.如权利要求3所述的方法，其中，
所述人脸检测网络和人脸属性识别网络共享浅层卷积网络的参数；以及
所述人体检测网络、所述人体属性识别网络和所述单人动作识别网络共享浅层卷积网络的参数。
5.如权利要求1所述的方法，其中，所述全局自注意力感知网络包括多头自注意力模块、LayerNorm模块以及前馈网络模块。
6.如权利要求1所述的方法，其中，所述局部感知网络包括卷积层和批量归一化层，其中，将所述第二部分特征输入到所述多任务神经网络模型中的局部感知网络包括：
将所述第二部分特征输入到所述卷积层，以获得第三图像特征；
将所述第三图像特征与所述第二部分特征进行融合，以获得第四图像特征；以及
将所述第四图像特征输入所述批量归一化层，以获得所述局部图像特征。
7.一种神经网络模型训练方法，包括：
初始化待训练的多任务神经网络模型，所述多任务神经网络模型包括主干网络、特征金字塔网络、分解网络、全局自注意力感知网络、局部感知网络、融合网络、合并网络以及多个检测头网络；
获取包括多个待识别目标的样本图像以及所述样本图像所对应的标签数据；
将所述样本图像输入中的主干网络，以获得多个通道的第一图像特征；
将所述第一图像特征输入所述特征金字塔网络，以获得增强图像特征；
将所述增强图像特征输入所述分解网络，以将所述增强图像特征基于通道信息分为第一部分特征和第二部分特征；
将所述第二部分特征分别输入到所述全局自注意力感知网络以及所述局部感知网络，以获得全局图像特征和局部图像特征；
将所述全局图像特征和局部图像特征输入所述融合网络，以获得融合图像特征；
将所述融合图像特征和所述第一部分特征输入所述合并网络，以基于通道信息进行合并，获得第二图像特征；
将所述第二图像特征分别输入所述多个检测头网络，以分别获得相应的识别结果；以及
基于所述识别结果以及所述标签数据调节所述多任务神经网络模型的参数。
8.如权利要求7所述的方法，其中，所述多个待识别目标存在交互行为，所述标签数据包括目标检测框、交互中心点、所述交互中心点到存在交互行为的检测框中心点的向量，其中所述交互中心点为所述存在交互行为的检测框中心点之间连线的中心点。
9.如权利要求8所述的方法，其中，所述多个检测头网络包括目标识别网络以及目标交互行为识别网络。
10.如权利要求7所述的方法，其中，所述局部感知网络包括卷积层和批量归一化层，其中，将所述第二部分特征输入到所述多任务神经网络模型中的局部感知网络包括：
将所述第二部分特征输入到所述卷积层，以获得第三图像特征；
将所述第三图像特征与所述第二部分特征进行融合，以获得第四图像特征；以及
将所述第四图像特征输入所述批量归一化层，以获得所述局部图像特征。
11.一种目标识别装置，包括：
第一获取单元，配置为获取包括待识别目标的图像；
第一特征提取单元，配置为将所述图像输入经训练的多任务神经网络模型中的主干网络，获得多个通道的第一图像特征；
第一增强单元，配置为将所述第一图像特征输入所述多任务神经网络模型中的特征金字塔网络，获得增强图像特征；
第一分解单元，配置为将所述增强图像特征输入所述多任务神经网络模型中的分解网络，以将所述增强图像特征基于通道信息分为第一部分特征和第二部分特征；
第一感知单元，配置为将所述第二部分特征分别输入到所述多任务神经网络模型中的全局自注意力感知网络以及局部感知网络，以获得全局图像特征和局部图像特征；
第一融合单元，配置为将所述全局图像特征和局部图像特征输入所述多任务神经网络模型中的融合网络，以获得融合图像特征；
第一合并单元，配置为将所述融合图像特征和所述第一部分特征输入所述多任务神经网络模型中的合并网络以基于通道信息合并，获得第二图像特征；以及
第一预测单元，配置为将所述第二图像特征分别输入所述多任务神经网络模型中的多个检测头网络，以分别获得相应的识别结果。
12.如权利要求11所述的装置，其中，所述多个检测头网络包括目标识别网络以及目标交互行为识别网络。
13.如权利要求12所述的装置，其中，所述待识别目标包括人体和物体中的至少一个，并且，
所述目标识别网络包括以下项中的至少一项：人脸检测网络、人脸属性识别网络、人体检测网络、人体属性识别网络、单人动作识别网络、物体检测网络、以及物体属性识别网络；以及
所述目标交互行为识别网络包括以下项中的至少一项：第一交互行为识别网络、第二交互行为识别网络，
其中，所述第一交互行为识别网络用于输出交互行为、以及交互中心点分别到产生交互行为的两个人体中心点之间的向量，其中所述交互中心点为所述两个人体中心点之间连线的中心点；
所述第二交互行为识别网络用于输出交互行为、以及交互中心点分别到产生交互行为的人体中心点和物体中心点之间的向量，其中所述交互中心点为所述人体中心点和所述物体中点之间连线的中心点。
14.如权利要求13所述的装置，其中，
所述人脸检测网络和人脸属性识别网络共享浅层卷积网络的参数；以及
所述人体检测网络、所述人体属性识别网络和所述单人动作识别网络共享浅层卷积网络的参数。
15.如权利要求11所述的装置，其中，所述全局自注意力感知网络包括多头自注意力模块、LayerNorm模块以及前馈网络模块。
16.如权利要求11所述的装置，其中，所述局部感知网络包括卷积层和批量归一化层，其中，所述第一感知单元包括：
用于将所述第二部分特征输入到所述卷积层以获得第三图像特征的单元；
用于将所述第三图像特征与所述第二部分特征进行融合以获得第四图像特征的单元；以及
用于将所述第四图像特征输入所述批量归一化层以获得所述局部图像特征的单元。
17.一种神经网络模型训练装置，包括：
初始化单元，配置为初始化待训练的多任务神经网络模型，所述多任务神经网络模型包括主干网络、特征金字塔网络、分解网络、全局自注意力感知网络、局部感知网络、融合网络、合并网络以及多个检测头网络；
第二获取单元，配置为获取包括多个待识别目标的样本图像以及所述样本图像所对应的标签数据；
第二特征提取单元，配置为将所述样本图像输入中的主干网络，以获得多个通道的第一图像特征；
第二增强单元，配置为将所述第一图像特征输入所述特征金字塔网络，以获得增强图像特征；
第二分解单元，配置为将所述增强图像特征输入所述分解网络，以将所述增强图像特征基于通道信息分为第一部分特征和第二部分特征；
第二感知单元，配置为将所述第二部分特征分别输入到所述全局自注意力感知网络以及所述局部感知网络，以获得全局图像特征和局部图像特征；
第二融合单元，配置为将所述全局图像特征和局部图像特征输入所述融合网络，以获得融合图像特征；
第二合并单元，配置为将所述融合图像特征和所述第一部分特征输入所述合并网络，以基于通道信息进行合并，获得第二图像特征；以及
第二预测单元，配置为将所述第二图像特征分别输入所述多个检测头网络，以分别获得相应的识别结果；以及
训练单元，配置为基于所述识别结果以及所述标签数据调节所述多任务神经网络模型的参数。
18.如权利要求17所述的装置，其中，所述多个待识别目标存在交互行为，所述标签数据包括目标检测框、交互中心点、所述交互中心点到存在交互行为的检测框中心点的向量，其中所述交互中心点为所述存在交互行为的检测框中心点之间连线的中心点。
19.如权利要求18所述的装置，其中，所述多个检测头网络包括目标识别网络以及目标交互行为识别网络。
20.如权利要求17所述的装置，其中，所述局部感知网络包括卷积层和批量归一化层，其中，所述第二感知单元包括：
用于将所述第二部分特征输入到所述卷积层以获得第三图像特征的单元；
用于将所述第三图像特征与所述第二部分特征进行融合以获得第四图像特征的单元；以及
用于将所述第四图像特征输入所述批量归一化层以获得所述局部图像特征的单元。
21.一种电子设备，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1-10中任一项所述的方法。
22.一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1-10中任一项所述的方法。
23.一种计算机程序产品，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1-10中任一项所述的方法。
CN202210864531.XA 2022-07-21 2022-07-21 目标识别方法及装置、电子设备和介质 Pending CN115170819A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210864531.XA CN115170819A (zh) 2022-07-21 2022-07-21 目标识别方法及装置、电子设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210864531.XA CN115170819A (zh) 2022-07-21 2022-07-21 目标识别方法及装置、电子设备和介质

Publications (1)

Publication Number Publication Date
CN115170819A true CN115170819A (zh) 2022-10-11

Family

ID=83497352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210864531.XA Pending CN115170819A (zh) 2022-07-21 2022-07-21 目标识别方法及装置、电子设备和介质

Country Status (1)

Country Link
CN (1) CN115170819A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116229095A (zh) * 2022-12-30 2023-06-06 北京百度网讯科技有限公司 一种模型训练方法、视觉任务处理方法、装置及设备
CN116994246A (zh) * 2023-09-20 2023-11-03 深圳赛陆医疗科技有限公司 基于多任务联合的碱基识别方法及装置、基因测序仪及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591573A (zh) * 2021-06-28 2021-11-02 北京百度网讯科技有限公司 多任务学习深度网络模型的训练及目标检测方法、装置
CN113936256A (zh) * 2021-10-15 2022-01-14 北京百度网讯科技有限公司 一种图像目标检测方法、装置、设备以及存储介质
CN114332590A (zh) * 2022-03-08 2022-04-12 北京百度网讯科技有限公司 联合感知模型训练、联合感知方法、装置、设备和介质
CN114429678A (zh) * 2022-01-28 2022-05-03 北京百度网讯科技有限公司 模型训练方法及装置、电子设备和介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591573A (zh) * 2021-06-28 2021-11-02 北京百度网讯科技有限公司 多任务学习深度网络模型的训练及目标检测方法、装置
CN113936256A (zh) * 2021-10-15 2022-01-14 北京百度网讯科技有限公司 一种图像目标检测方法、装置、设备以及存储介质
CN114429678A (zh) * 2022-01-28 2022-05-03 北京百度网讯科技有限公司 模型训练方法及装置、电子设备和介质
CN114332590A (zh) * 2022-03-08 2022-04-12 北京百度网讯科技有限公司 联合感知模型训练、联合感知方法、装置、设备和介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116229095A (zh) * 2022-12-30 2023-06-06 北京百度网讯科技有限公司 一种模型训练方法、视觉任务处理方法、装置及设备
CN116994246A (zh) * 2023-09-20 2023-11-03 深圳赛陆医疗科技有限公司 基于多任务联合的碱基识别方法及装置、基因测序仪及介质
CN116994246B (zh) * 2023-09-20 2024-02-13 深圳赛陆医疗科技有限公司 基于多任务联合的碱基识别方法及装置、基因测序仪及介质

Similar Documents

Publication Publication Date Title
CN115170819A (zh) 目标识别方法及装置、电子设备和介质
CN114972958B (zh) 关键点检测方法、神经网络的训练方法、装置和设备
CN115511779B (zh) 图像检测方法、装置、电子设备和存储介质
CN114743196A (zh) 用于文本识别的神经网络及其训练方法、文本识别的方法
CN114723949A (zh) 三维场景分割方法和用于训练分割模型的方法
CN114119935A (zh) 图像处理方法和装置
CN111798367A (zh) 图像处理方法、装置、存储介质及电子设备
CN111797862A (zh) 任务处理方法、装置、存储介质和电子设备
CN115661375B (zh) 三维发型生成方法、装置、电子设备和存储介质
CN116245998B (zh) 渲染贴图生成方法及装置、模型训练方法及装置
CN115690544B (zh) 多任务学习方法及装置、电子设备和介质
CN114140547B (zh) 图像生成方法和装置
CN113868453B (zh) 对象推荐方法和装置
CN115965939A (zh) 三维目标检测方法及装置、电子设备、介质和车辆
CN115797660A (zh) 图像检测方法、装置、电子设备和存储介质
CN114998963A (zh) 图像检测方法和用于训练图像检测模型的方法
CN114140852A (zh) 图像检测方法和装置
CN113688667A (zh) 一种基于深度学习的行李取放动作识别方法和系统
CN115423827B (zh) 图像处理方法、装置、电子设备和存储介质
CN115131562B (zh) 三维场景分割方法、模型训练方法、装置和电子设备
CN116740510B (zh) 图像处理方法、模型训练方法及装置
CN115578451B (zh) 图像处理方法、图像处理模型的训练方法和装置
CN115331077B (zh) 特征提取模型的训练方法、目标分类方法、装置、设备
CN114390366B (zh) 视频处理方法和装置
CN115620271B (zh) 图像处理、模型训练方法和装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20221011

RJ01 Rejection of invention patent application after publication