CN116310633A - 一种关键点检测模型训练方法及关键点检测方法 - Google Patents

一种关键点检测模型训练方法及关键点检测方法 Download PDF

Info

Publication number
CN116310633A
CN116310633A CN202310139222.0A CN202310139222A CN116310633A CN 116310633 A CN116310633 A CN 116310633A CN 202310139222 A CN202310139222 A CN 202310139222A CN 116310633 A CN116310633 A CN 116310633A
Authority
CN
China
Prior art keywords
key point
information
target object
detection
prediction
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
CN202310139222.0A
Other languages
English (en)
Inventor
张振林
陈伟民
陈胤子
袁金伟
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.)
China Automotive Innovation Corp
Original Assignee
China Automotive Innovation Corp
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 China Automotive Innovation Corp filed Critical China Automotive Innovation Corp
Priority to CN202310139222.0A priority Critical patent/CN116310633A/zh
Publication of CN116310633A publication Critical patent/CN116310633A/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
    • G06V10/70—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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • 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
    • 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
    • G06V2201/08—Detecting or categorising vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种关键点检测模型训练方法及关键点检测方法。上述关键点检测模型训练方法包括：获取多个样本图像，每一上述样本图像包括对应的标注信息，上述标注信息包括用于表征上述样本图像中的目标对象的标注框信息，以及用于表征目标对象上的关键点信息；将上述样本图像输入预设模型进行目标检测以及基于目标检测结果的关键点检测,得到样本检测结果，上述样本检测结果包括目标对象预测信息以及关键点预测信息；根据上述样本检测结果与标注信息之间的差异确定训练损失并调节上述预设模型的参数,得到关键点检测模型。本公开可以克服关键点检测中热力图无法区分空间距离较近的同类关键点的问题，同时提升了关键点检测的效率。

Description

一种关键点检测模型训练方法及关键点检测方法
技术领域
本公开涉及计算机视觉技术领域，尤其涉及一种关键点检测模型训练方法及关键点检测方法。
背景技术
关键点检测(特指二维关键点检测)是一种从图像中识别并标注关键点位置的技术，对于机器视觉理解图像中的人及物体具有重要意义。传统的关键点检测的方法可分为自顶向下与自底向上两大类。自顶向下的方法通常分为两步进行：首先检测出图像中的各个目标，再对各目标分别进行关键点检测，这类方法的计算复杂度会随着图像中目标的增加而线性增长。因此，虽然可以达到较高的准确性，但其两步走的流程及不固定的检测时间使得这类方法不适用于实时检测任务。自底向上的方法通常基于热力图来一次性检测所有的关键点，再通过一个复杂的后处理过程将关键点分类于各自的目标，但是，自底向上的方法无法区分位置十分相近的同一类关键点，而且后处理过程通常不可导，因此无法利用神经网络进行并行计算，这在一定程度上也限制了该类方法的执行效率。
发明内容
为了解决上述提出的至少一个技术问题，本公开提出了一种关键点检测模型训练方法、关键点检测方法、装置、存储介质和电子设备。
根据本公开的一方面，提供了一种关键点检测模型训练方法，其包括：获取多个样本图像，每一所述样本图像包括对应的标注信息，所述标注信息包括用于表征所述样本图像中的目标对象的标注框信息，以及用于表征目标对象上的关键点信息；将所述样本图像输入预设模型进行目标检测以及基于目标检测结果的关键点检测,得到样本检测结果，所述样本检测结果包括目标对象预测信息以及关键点预测信息；根据所述目标对象预测信息和所述标注框信息之间的差异，确定目标检测损失；根据所述关键点信息和所述关键点预测信息之间的差异，确定关键点检测损失；根据所述目标检测损失和所述关键点检测损失调节所述预设模型的参数,得到关键点检测模型。
在一些可能的实施方式中，所述目标对象预测信息包括所述目标对象的预测类别信息、所述目标对象对应的预测框的位置信息与所述预测框的置信度，所述预测框的置信度表征所述预测框内存在所述目标对象的概率；所述关键点预测信息包括所述关键点的预测类别信息、所述关键点的预测位置信息与所述关键点的置信度，所述关键点的置信度表征所述关键点预测的准确程度。
在一些可能的实施方式中，所述目标对象的标注框信息包括其对应的目标对象的位置信息和类别信息；所述根据所述目标对象预测信息和所述标注框信息之间的差异，确定目标检测损失，包括:基于所述目标对象的预测类别信息与所述目标对象的类别信息之间的差异，确定目标对象分类损失分量；基于所述目标对象对应的预测框的位置信息与所述目标对象的位置信息之间的差异，确定目标对象预测框损失分量；基于所述检测框的置信度、所述目标对象对应的预测框的位置信息与所述目标对象的位置信息，确定目标对象置信度损失分量；基于所述标对象分类损失分量、所述目标对象预测框损失分量以及所述目标对象置信度损失分量确定所述目标检测损失。
在一些可能的实施方式中，所述关键点信息包括其对应的关键点的位置信息、类别信息、权重以及置信度真值；所述关键点的置信度真值表征所述关键点是否在其对应的样本图像的内部；在所述关键点在其对应的样本图像的内部的情况下，所述关键点的置信度真值为第一预设值；在所述关键点在其对应的样本图像的外部的情况下，所述关键点的置信度真值为第二预设值。
在一些可能的实施方式中，所述根据所述关键点信息和所述关键点预测信息之间的差异，确定关键点检测损失，包括：基于所述关键点的置信度、所述关键点的置信度真值以及所述样本图像中关键点的总数量，确定关键点置信度损失分量；确定关键点位置损失分量；基于所述关键点置信度损失分量与所述关键点位置损失分量，确定所述关键点检测损失。
在一些可能的实施方式中，所述关键点信息还包括所述关键点的可见值，所述可见值表征所述关键点是否被遮挡；在所述关键点未被遮挡的情况下，所述关键点的可见值为第三预设值；在所述关键点被遮挡的情况下，所述关键点的可见值为第四预设值；所述确定关键点位置损失分量包括：确定所述关键点对应的目标对象的大小；基于所述关键点的预测位置信息、位置信息、权重、对应的目标对象的大小、可见值以及所述样本图像中关键点的总数量，确定所述关键点位置损失分量。
根据本公开的第二方面，提供了一种关键点检测方法，其包括：获取待检测图像；将所述待检测图像输入关键点检测模型，得到关键点；其中，所述关键点检测模型根据本公开的第一方面中任意一项所述的关键点检测模型训练方法得到。
根据本公开的第三方面，提供一种关键点检测模型训练装置，所述装置包括：样本图像获取模块，用于获取多个样本图像，每一所述样本图像包括对应的标注信息，所述标注信息包括用于表征所述样本图像中的目标对象的标注框信息，以及用于表征目标对象上的关键点信息；检测模块，用于将所述样本图像输入预设模型进行目标检测以及基于目标检测结果的关键点检测,得到样本检测结果，所述样本检测结果包括目标对象预测信息以及关键点预测信息；目标检测损失确定模块，用于根据所述目标对象预测信息和所述标注框信息之间的差异，确定目标检测损失；关键点检测损失确定模块，用于根据所述关键点信息和所述关键点预测信息之间的差异，确定关键点检测损失；参数更新模块，用于根据所述目标检测损失和所述关键点检测损失调节所述预设模型的参数,得到关键点检测模型。
在一些可能的实施方式中，所述目标对象预测信息包括所述目标对象的预测类别信息、所述目标对象对应的预测框的位置信息与所述预测框的置信度，所述预测框的置信度表征所述预测框内存在所述目标对象的概率；所述关键点预测信息包括所述关键点的预测类别信息、所述关键点的预测位置信息与所述关键点的置信度，所述关键点的置信度表征所述关键点预测的准确程度。
在一些可能的实施方式中，所述目标对象的标注框信息包括其对应的目标对象的位置信息和类别信息，所述目标检测损失确定模块用于根据所述目标对象预测信息和所述标注框信息之间的差异，确定目标检测损失，包括:基于所述目标对象的预测类别信息与所述目标对象的类别信息之间的差异，确定目标对象分类损失分量；基于所述目标对象对应的预测框的位置信息与所述目标对象的位置信息之间的差异，确定目标对象预测框损失分量；基于所述检测框的置信度、所述目标对象对应的预测框的位置信息与所述目标对象的位置信息，确定目标对象置信度损失分量；基于所述标对象分类损失分量、所述目标对象预测框损失分量以及所述目标对象置信度损失分量确定所述目标检测损失。
在一些可能的实施方式中，所述关键点信息包括其对应的关键点的位置信息、类别信息、权重以及置信度真值；所述关键点的置信度真值表征所述关键点是否在其对应的样本图像的内部；在所述关键点在其对应的样本图像的内部的情况下，所述关键点的置信度真值为第一预设值；在所述关键点在其对应的样本图像的外部的情况下，所述关键点的置信度真值为第二预设值。
在一些可能的实施方式中，所述关键点检测损失模块用于根据所述关键点信息和所述关键点预测信息之间的差异，确定关键点检测损失，包括：基于所述关键点的置信度、所述关键点的置信度真值以及所述样本图像中关键点的总数量，确定关键点置信度损失分量；确定关键点位置损失分量；基于所述关键点置信度损失分量与所述关键点位置损失分量，确定所述关键点检测损失。
在一些可能的实施方式中，所述关键点信息还包括所述关键点的可见值，所述可见值表征所述关键点是否被遮挡；在所述关键点未被遮挡的情况下，所述关键点的可见值为第三预设值；在所述关键点被遮挡的情况下，所述关键点的可见值为第四预设值；确定关键点检测损失模块确定所述关键点位置损失分量包括：所述关键点对应的目标对象的大小；基于所述关键点的预测位置信息、位置信息、权重、对应的目标对象的大小、可见值以及所述样本图像中关键点的总数量，确定所述关键点位置损失分量。
根据本公开的第四方面，提供了一种电子设备，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，所述至少一个处理器通过执行所述存储器存储的指令实现如第一方面中任意一项所述的关键点检测模型训练方法或第二方面中任意一项所述的关键点检测方法。
根据本公开的第五方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如第一方面中任意一项所述的关键点检测模型训练方法或第二方面中任意一项所述的关键点检测方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
实施本公开，具有以下有益效果：本公开通过将样本图像输入预设模型进行目标检测以及基于目标检测结果的关键点检测,得到样本检测结果，上述样本检测结果包括目标对象预测信息以及关键点预测信息；根据上述样本检测结果与标注信息之间的差异确定训练损失并调节上述预设模型的参数,得到关键点检测模型。本公开可以克服传统的关键点检测中热力图无法区分空间距离较近的同类关键点的问题，同时和传统关键点检测方法中的后处理计算相比大大减少了计算量。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1示出本公开实施例的一种关键点检测模型的训练方法的流程示意图；
图2示出本公开实施例的一种确定目标检测损失的方法流程示意图；
图3示出本公开实施例的一种确定关键点检测损失的方法流程示意图；
图4所示本公开实施例的一种确定关键点位置损失分量的方法流程示意；
图5示出本公开实施例的一种关键点检测方法的流程示意图；
图6示出本公开实施例的一种关键点检测模型训练装置框图；
图7示出根据本公开实施例的一种电子设备的框图；
图8示出根据本公开实施例的另一种电子设备的框图。
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的一种关键点检测模型训练方法的流程示意图，如图1所示，上述方法包括：
S10:获取多个样本图像，每一上述样本图像包括对应的标注信息，上述标注信息包括用于表征上述样本图像中的目标对象的标注框信息，以及用于表征目标对象上的关键点信息。
在本公开实施例中，上述样本图像的获取可以是监控设备、摄像设备，也可以来源于成熟的数据集，本公开不限制上述样本图像的获取方式。
在一具体的实施例中，以车辆的关键点检测场景为例，上述样本图像为监控设备记录下的含有车辆的图像帧，上述目标对象是车辆，上述关键点可以是车辆上的某些位置，比如车轮位置，后视镜位置等。
在本公开实施例中，上述目标对象的标注框信息包括其对应的目标对象的位置信息和类别信息，上述关键点信息包括关键点的位置信息、类别信息、权重等，上述权重表征关键点的重要程度，在关键点识别过程中，通过给关键点赋上不同的权重，使得训练得到的关键点检测模型对于权重较大的关键点的检测更加准确，能够更好地适应于实际应用中。
S20:将上述样本图像输入预设模型进行目标检测以及基于目标检测结果的关键点检测,得到样本检测结果，上述样本检测结果包括目标对象预测信息以及关键点预测信息。
在本公开实施例中，上述预设模型可以是机器学习领域可以用于目标检测的模型，包括但不限于卷积神经网络系列、YOLO系列模型。
在本公开实施例中，上述目标对象预测信息包括上述目标对象的预测类别信息、上述目标对象对应的预测框的位置信息与上述预测框的置信度，上述预测框的置信度表征上述预测框内存在上述目标对象的概率。
在本公开实施例中，上述关键点预测信息包括上述关键点的预测类别信息、上述关键点的预测位置信息与上述关键点的置信度，上述关键点的置信度表征上述关键点预测的准确程度。
在一具体的实施例中，上述样本检测结果可表示为：Res＝[Obj_1；Obj_2；…；Obj_N](N为正整数)，Obj_i＝[c l s_i,bbox_i]，Obj_i表示第i个目标对象(i为正整数)，其中cl s_i具有M维(M为正整数)，表示目标Obj_i的类别(属于M类中的哪一类)，bbox_i＝[cx,cy,w,h,conf,KP_1,…,KP_O]，表示目标Obj_i的预测框，其中cx和cy表示预测框几何中心的横坐标和纵坐标，w和h表示边界框的宽和高，conf表示对于该边界框的置信度(取值范围为0到1)，KP_i＝[x_i,y_i,c_i]表示第i个关键点，其中x_i和y_i为第i个关键点的横坐标和纵坐标，c_i表示第i个关键点的置信度。
基于上述配置，本公开提供的关键点检测模型能够检测出上述样本图像中的目标对象以及目标对象上的关键点，同时给出置信度来评估检测效果。
S30:根据上述目标对象预测信息和上述标注框信息之间的差异，确定目标检测损失。
由上述内容可知，上述目标对象的标注框信息包括其对应的目标对象的位置信息和类别信息。
图2示出本公开实施例的一种确定目标检测损失的方法流程示意图，如图2所示，上述方法包括：
S301:基于上述目标对象的预测类别信息与上述目标对象的类别信息之间的差异，确定目标对象分类损失分量。
在本公开实施例中，上述目标检测支持对多种目标的检测，对于分类损失分类，可以只计算正样本图像的分类损失，上述正样本为含有目标对象的样本图像。
S302:基于上述目标对象对应的预测框的位置信息与上述目标对象的位置信息之间的差异，确定目标对象预测框损失分量。
在本公开实施例中，上述位置损失分量的计算可以采用I OU损失(I OU＝交集/并集)计算，通过计算目标的标注框与预测框的交并比，能够更加准确地体现预测框地好坏。
本公开不限制上述目标对象预测框损失分量基于预测框与标注框的具体计算公式。
S303:基于上述检测框的置信度、上述目标对象对应的预测框的位置信息与上述目标对象的位置信息，确定目标对象置信度损失分量。
在本公开实施例中，上述目标对象置信度损失分量可以采用包括但不限于二值交叉熵算法，本公开对此不做限制。
S304：基于上述标对象分类损失分量、上述目标对象预测框损失分量以及上述目标对象置信度损失分量确定上述目标检测损失。
在本公开实施例中，目标检测损失由分类损失分量、预测框损失分量以及置信度损失分量组成，同时可以根据训练效果以及实际需求对上述各损失分量赋上权重再进行求和得到上述目标检测损失。本公开不限制上述目标检测损失中各损失分量的具体权重。
基于上述配置，本公开能够得到预设模型有关目标检测的训练损失，基于改损失调整更新预设模型的参数。
S40:根据上述关键点信息和上述关键点预测信息之间的差异，确定关键点检测损失。
由上述内容可知，本公开实施例中关键点信息包括关键点的位置信息、类别信息、权重，上述关键点预测信息包括关键点的预测类别信息、上述关键点的预测位置信息与上述关键点的置信度，上述关键点的置信度表征上述关键点预测的准确程度。
图3示出本公开实施例的一种确定关键点检测损失的方法流程示意图，如图3所示，上述方法包括：
S401：基于上述关键点的置信度、上述关键点的置信度真值以及上述样本图像中关键点的总数量，确定关键点置信度损失分量。
在本公开实施例中，上述关键点信息还包括关键点置信度真值，上述关键点的置信度真值表征上述关键点是否在其对应的样本图像的内部；在上述关键点在其对应的样本图像的内部的情况下，上述关键点的置信度真值为第一预设值；在上述关键点在其对应的样本图像的外部的情况下，上述关键点的置信度真值为第二预设值。
在一具体的实施例中，上述第一预设值取1，上述第二预设值取0，上述置信度损失采用二值交叉熵算法，计算公式如下所示：
Figure BDA0004086956550000071
其中，其中，p表示模型输出结果中第n个关键点的置信度(n为1到N之间的正整数)。其中N表示关键点数量，y_i表示第i个关键点的置信度真值，p(y_i)表示第i个关键点的预测信息。
基于上述配置，通过关键点置信度真值的设置将上述样本图像分为正样本与负样本，并根据其样本特性计算置信度真值，能够平衡样本图像对上述预设模型的影响。
S402:确定关键点位置损失分量。
图4所示本公开实施例的一种确定关键点位置损失分量的方法流程示意图，如图4所示，上述方法包括：
S4021：确定上述关键点对应的目标对象的大小。
上述目标对象的大小可以由目标对象的标注信息确定，可以表示为长与宽的乘积。
S4022：基于上述关键点的预测位置信息、位置信息、权重、对应的目标对象的大小、可见值以及上述样本图像中关键点的总数量，确定上述关键点位置损失分量。
在本公开实施例中，上述关键点信息还包括上述关键点的可见值，上述可见值表征上述关键点是否被遮挡；在上述关键点未被遮挡的情况下，上述关键点的可见值为第三预设值；在上述关键点被遮挡的情况下，上述关键点的可见值为第四预设值。
在一具体的实施例中，上述第三预设值取1，第四预设值取0，上述关键点位置损失分量的计算公式如下：
Figure BDA0004086956550000081
其中，其中，dn表示第n个关键点预测值与真值的欧氏距离，kn表示第n个关键点的权重，s表示目标的大小，δ表示第n个关键点的可见值。在一具体实施例中，关键点检测为车辆前轮与车辆后轮，前轮关键点权重取0.7，后轮关键点权重取0.3。
S403:基于上述关键点置信度损失分量与上述关键点位置损失分量，确定上述关键点检测损失。
在本公开实施例中，关键点检测损失由位置损失分量以及置信度损失分量组成，同时可以根据训练效果以及实际需求对上述各损失分量赋上权重再进行求和得到上述关键点检测损失。本公开不限制上述关键点检测损失中各损失分量的具体权重。
基于上述配置，给不同的关键点赋上不同的权重，象征着关键点的重要程度，通过对相似的关键点赋上不同的权重，解决了传统热力图无法区分相似关键点的问题，同时，上述关键点位置损失考虑到了关键点所在的目标对象的大小，因此目标的大小对关键点的识别效果没有干扰，具有尺度不变性。
S50:根据上述目标检测损失和上述关键点检测损失调节上述预设模型的参数,得到关键点检测模型。
在本公开实施例中，根据目标检测损失各关键点检测损失来更新预设模型的参数，可以设置上述预设模型的更新次数，在达到预设的更新次数时，完成对上述预设模型的更新，训练结束，得到所需的关键点检测模型。
基于上述配置，本公开的技术方案通过将关键点检测集成到目标检测，一方面将关键点表示融入目标检测框中，为每个目标预测关键点，同时为每个关键点预测一个置信度，克服了传统的热力图表示无法区分空间距离较近的同类关键点的问题；另一方面复用了目标检测中的非极大抑制的后处理流程，和传统关键点检测方法中的后处理计算相比大大减少了计算量；除此之外，本公开的关键点相似性损失函数用于模型训练，使得训练得到的模型能够适用于丰富的关键点检测的场景，示例性地，检测场景可以是对智能驾驶场景中不同大小、不同朝向的车辆进行的关键点的检测。
图5示出本公开实施例的一种关键点检测方法的流程示意图，如图5所示，上述方法包括：
S01:获取待检测图像。
以车辆前后轮的关键点检测场景为例，上述待检测图像中的目标对象为车辆，车辆前后轮作为待检测的关键点。本公开实施例并不限制上述待检测图像的获取方法，也不限制上述关键点检测的应用场景。
S02:将上述待检测图像输入关键点检测模型，得到关键点。
上述关键点检测模型是根据上述任意一项实施例中的关键点检测模型训练方法得到的，可以对上述待检测图像进行关键点检测，得到前后轮的位置。
基于上述配置，本公开实施例可以快速识别图像中所需的关键点，尤其是相似度较高的关键点，能适用于但不限于对智能驾驶场景中不同大小、不同朝向的车辆进行的关键点的检测，降低了人工成本，提高了检测的准确度。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格地执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
图6示出本公开实施例的一种关键点检测模型训练装置框图，如图6所示，上述装置包括：
样本图像获取模块101，用于获取多个样本图像，每一所述样本图像包括对应的标注信息，所述标注信息包括用于表征所述样本图像中的目标对象的标注框信息，以及用于表征目标对象上的关键点信息；
检测模块102，用于将所述样本图像输入预设模型进行目标检测以及基于目标检测结果的关键点检测,得到样本检测结果，所述样本检测结果包括目标对象预测信息以及关键点预测信息。
目标检测损失确定模块103，用于根据所述目标对象预测信息和所述标注框信息之间的差异，确定目标检测损失。
关键点检测损失确定模块104，用于根据所述关键点信息和所述关键点预测信息之间的差异，确定关键点检测损失。
参数更新模块105，用于根据所述目标检测损失和所述关键点检测损失调节所述预设模型的参数,得到关键点检测模型。
在一些可能的实施方式中，所述目标对象预测信息包括所述目标对象的预测类别信息、所述目标对象对应的预测框的位置信息与所述预测框的置信度，所述预测框的置信度表征所述预测框内存在所述目标对象的概率；所述关键点预测信息包括所述关键点的预测类别信息、所述关键点的预测位置信息与所述关键点的置信度，所述关键点的置信度表征所述关键点预测的准确程度。
在一些可能的实施方式中，所述目标对象的标注框信息包括其对应的目标对象的位置信息和类别信息，所述目标检测损失确定模块103用于根据所述目标对象预测信息和所述标注框信息之间的差异，确定目标检测损失，包括:基于所述目标对象的预测类别信息与所述目标对象的类别信息之间的差异，确定目标对象分类损失分量；基于所述目标对象对应的预测框的位置信息与所述目标对象的位置信息之间的差异，确定目标对象预测框损失分量；基于所述检测框的置信度、所述目标对象对应的预测框的位置信息与所述目标对象的位置信息，确定目标对象置信度损失分量；基于所述标对象分类损失分量、所述目标对象预测框损失分量以及所述目标对象置信度损失分量确定所述目标检测损失。
在一些可能的实施方式中，所述关键点信息包括其对应的关键点的位置信息、类别信息、权重以及置信度真值；所述关键点的置信度真值表征所述关键点是否在其对应的样本图像的内部；在所述关键点在其对应的样本图像的内部的情况下，所述关键点的置信度真值为第一预设值；在所述关键点在其对应的样本图像的外部的情况下，所述关键点的置信度真值为第二预设值。
在一些可能的实施方式中，所述关键点检测损失模块104用于根据所述关键点信息和所述关键点预测信息之间的差异，确定关键点检测损失，包括：基于所述关键点的置信度、所述关键点的置信度真值以及所述样本图像中关键点的总数量，确定关键点置信度损失分量；确定关键点位置损失分量；基于所述关键点置信度损失分量与所述关键点位置损失分量，确定所述关键点检测损失。
在一些可能的实施方式中，所述关键点信息还包括所述关键点的可见值，所述可见值表征所述关键点是否被遮挡；在所述关键点未被遮挡的情况下，所述关键点的可见值为第三预设值；在所述关键点被遮挡的情况下，所述关键点的可见值为第四预设值；确定关键点检测损失模块104确定所述关键点位置损失分量包括：所述关键点对应的目标对象的大小；基于所述关键点的预测位置信息、位置信息、权重、对应的目标对象的大小、可见值以及所述样本图像中关键点的总数量，确定所述关键点位置损失分量。
本公开实施例还提出一种计算机可读存储介质，上述计算机可读存储介质中存储有至少一条指令或至少一段程序，上述至少一条指令或至少一段程序由处理器加载并执行时实现上述关键点检测模型训练方法或关键点检测方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，上述处理器被配置为上述关键点检测模型训练方法或关键点检测方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7示出根据本公开实施例的一种电子设备的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在上述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。上述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与上述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(M I C)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如上述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如Wi F i，2G、3G、4G、5G或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，上述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RF I D)技术，红外数据协会(I rDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(AS I C)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行关键点检测模型训练方法或关键点检测方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述关键点检测模型训练方法或关键点检测方法。
图8示出根据本公开实施例的另一种电子设备的框图。例如，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述关键点检测模型训练方法或关键点检测方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，Un i xTM,Li nuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述关键点检测模型训练方法或关键点检测方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(I SA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，上述编程语言包括面向对象的编程语言—诸如Sma l l ta l k、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，上述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标准的功能也可以以不同于附图中所标准的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种关键点检测模型训练方法，其特征在于，所述方法包括：
获取多个样本图像，每一所述样本图像包括对应的标注信息，所述标注信息包括用于表征所述样本图像中的目标对象的标注框信息，以及用于表征目标对象上的关键点信息；
将所述样本图像输入预设模型进行目标检测以及基于目标检测结果的关键点检测,得到样本检测结果，所述样本检测结果包括目标对象预测信息以及关键点预测信息；
根据所述目标对象预测信息和所述标注框信息之间的差异，确定目标检测损失；
根据所述关键点信息和所述关键点预测信息之间的差异，确定关键点检测损失；
根据所述目标检测损失和所述关键点检测损失调节所述预设模型的参数,得到关键点检测模型。
2.根据权利要求1所述的方法，其特征在于，所述目标对象预测信息包括所述目标对象的预测类别信息、所述目标对象对应的预测框的位置信息与所述预测框的置信度，所述预测框的置信度表征所述预测框内存在所述目标对象的概率；
所述关键点预测信息包括所述关键点的预测类别信息、所述关键点的预测位置信息与所述关键点的置信度，所述关键点的置信度表征所述关键点预测的准确程度。
3.根据权利要求2所述的方法，其特征在于，所述目标对象的标注框信息包括其对应的目标对象的位置信息和类别信息；
所述根据所述目标对象预测信息和所述标注框信息之间的差异，确定目标检测损失，包括:
基于所述目标对象的预测类别信息与所述目标对象的类别信息之间的差异，确定目标对象分类损失分量；
基于所述目标对象对应的预测框的位置信息与所述目标对象的位置信息之间的差异，确定目标对象预测框损失分量；
基于所述检测框的置信度、所述目标对象对应的预测框的位置信息与所述目标对象的位置信息，确定目标对象置信度损失分量；
基于所述标对象分类损失分量、所述目标对象预测框损失分量以及所述目标对象置信度损失分量确定所述目标检测损失。
4.根据权利要求2或3所述的方法，其特征在于，所述关键点信息包括其对应的关键点的位置信息、类别信息、权重以及置信度真值；
所述关键点的置信度真值表征所述关键点是否在其对应的样本图像的内部；
在所述关键点在其对应的样本图像的内部的情况下，所述关键点的置信度真值为第一预设值；
在所述关键点在其对应的样本图像的外部的情况下，所述关键点的置信度真值为第二预设值。
5.根据权利要求4所述的方法，其特征在于，所述根据所述关键点信息和所述关键点预测信息之间的差异，确定关键点检测损失，包括：
基于所述关键点的置信度、所述关键点的置信度真值以及所述样本图像中关键点的总数量，确定关键点置信度损失分量；
确定关键点位置损失分量；
基于所述关键点置信度损失分量与所述关键点位置损失分量，确定所述关键点检测损失。
6.根据权利要求5所述的方法，其特征在于，所述关键点信息还包括所述关键点的可见值，所述可见值表征所述关键点是否被遮挡；
在所述关键点未被遮挡的情况下，所述关键点的可见值为第三预设值；
在所述关键点被遮挡的情况下，所述关键点的可见值为第四预设值；
所述确定关键点位置损失分量包括：
确定所述关键点对应的目标对象的大小；
基于所述关键点的预测位置信息、位置信息、权重、对应的目标对象的大小、可见值以及所述样本图像中关键点的总数量，确定所述关键点位置损失分量。
7.一种关键点检测方法，其特征在于，所述方法包括：
获取待检测图像；
将所述待检测图像输入关键点检测模型，得到关键点；
其中，所述关键点检测模型根据权利要求1-6中任意一项所述的关键点检测模型训练方法得到。
8.一种关键点检测模型训练装置，其特征在于，所述装置包括：
样本图像获取模块，用于获取多个样本图像，每一所述样本图像包括对应的标注信息，所述标注信息包括用于表征所述样本图像中的目标对象的标注框信息，以及用于表征目标对象上的关键点信息；
检测模块，用于将所述样本图像输入预设模型进行目标检测以及基于目标检测结果的关键点检测,得到样本检测结果，所述样本检测结果包括目标对象预测信息以及关键点预测信息；
目标检测损失确定模块，用于根据所述目标对象预测信息和所述标注框信息之间的差异，确定目标检测损失；
关键点检测损失确定模块，用于根据所述关键点信息和所述关键点预测信息之间的差异，确定关键点检测损失；
参数更新模块，用于根据所述目标检测损失和所述关键点检测损失调节所述预设模型的参数,得到关键点检测模型。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-6中任意一项所述的关键点检测模型训练方法，或权利要求7所述的关键点检测方法。
10.一种电子设备，其特征在于，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，所述至少一个处理器通过执行所述存储器存储的指令实现如权利要求1-6中任意一项所述的关键点检测模型训练方法，或权利要求7所述的关键点检测方法。
CN202310139222.0A 2023-02-20 2023-02-20 一种关键点检测模型训练方法及关键点检测方法 Pending CN116310633A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310139222.0A CN116310633A (zh) 2023-02-20 2023-02-20 一种关键点检测模型训练方法及关键点检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310139222.0A CN116310633A (zh) 2023-02-20 2023-02-20 一种关键点检测模型训练方法及关键点检测方法

Publications (1)

Publication Number Publication Date
CN116310633A true CN116310633A (zh) 2023-06-23

Family

ID=86829741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310139222.0A Pending CN116310633A (zh) 2023-02-20 2023-02-20 一种关键点检测模型训练方法及关键点检测方法

Country Status (1)

Country Link
CN (1) CN116310633A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635688A (zh) * 2023-11-28 2024-03-01 广州恒沙数字科技有限公司 一种尺寸测量方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635688A (zh) * 2023-11-28 2024-03-01 广州恒沙数字科技有限公司 一种尺寸测量方法、装置、电子设备及存储介质
CN117635688B (zh) * 2023-11-28 2024-06-07 广州恒沙数字科技有限公司 一种尺寸测量方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111310616B (zh) 图像处理方法及装置、电子设备和存储介质
CN113743535B (zh) 神经网络训练方法及装置以及图像处理方法及装置
CN108629354B (zh) 目标检测方法及装置
US10007841B2 (en) Human face recognition method, apparatus and terminal
RU2577188C1 (ru) Способ, аппарат и устройство для сегментации изображения
CN111931844B (zh) 图像处理方法及装置、电子设备和存储介质
CN106557759B (zh) 一种标志牌信息获取方法及装置
CN110532956B (zh) 图像处理方法及装置、电子设备和存储介质
CN107527059A (zh) 文字识别方法、装置及终端
CN112115894B (zh) 手部关键点检测模型的训练方法、装置及电子设备
CN108717542B (zh) 识别文字区域的方法、装置及计算机可读存储介质
US20210326649A1 (en) Configuration method and apparatus for detector, storage medium
CN111259967A (zh) 图像分类及神经网络训练方法、装置、设备及存储介质
CN111523599B (zh) 目标检测方法及装置、电子设备和存储介质
CN111814538B (zh) 目标对象的类别识别方法、装置、电子设备及存储介质
CN108171222B (zh) 一种基于多流神经网络的实时视频分类方法及装置
CN114332149A (zh) 图像分割方法、装置、电子设备及存储介质
CN112529846A (zh) 图像处理方法及装置、电子设备和存储介质
CN111488964B (zh) 图像处理方法及装置、神经网络训练方法及装置
CN116310633A (zh) 一种关键点检测模型训练方法及关键点检测方法
CN111339880A (zh) 一种目标检测方法及装置、电子设备和存储介质
CN112884040B (zh) 训练样本数据的优化方法、系统、存储介质及电子设备
CN112381091A (zh) 视频内容识别方法、装置、电子设备及存储介质
CN113642551A (zh) 指甲关键点检测方法、装置、电子设备及存储介质
CN114648116A (zh) 模型量化方法、装置、车辆及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination