CN116704593A - 预测模型训练方法、装置、电子设备和计算机可读介质 - Google Patents
预测模型训练方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116704593A CN116704593A CN202210176682.6A CN202210176682A CN116704593A CN 116704593 A CN116704593 A CN 116704593A CN 202210176682 A CN202210176682 A CN 202210176682A CN 116704593 A CN116704593 A CN 116704593A
- Authority
- CN
- China
- Prior art keywords
- video frame
- sequence
- determining
- prediction model
- hand
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000002372 labelling Methods 0.000 claims abstract description 75
- 230000033001 locomotion Effects 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 2
- 230000009471 action Effects 0.000 abstract description 40
- 230000003993 interaction Effects 0.000 abstract description 17
- 238000007689 inspection Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000000137 annealing Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本公开的实施例公开了预测模型训练方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取物品流转站点的视频帧序列；确定视频帧序列中每个视频帧中手部和物品之间的空间重叠度，得到重叠度序列；根据重叠度序列，对视频帧序列中的每个视频帧进行标注处理，得到标注信息序列，其中，标注信息序列中的标注信息包括视频帧和标签；利用标注信息序列对预测模型进行训练，得到接触预测模型，以及存储接触预测模型。该实施方式可以确定手物交互动作的开始时间和结束时间，从而提高了动作识别的完整性和动作识别的准确率，进而可以提高稽查的准确性。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及预测模型训练方法、装置、电子设备和计算机可读介质。
背景技术
接触预测模型可以识别手和物品之间的交互动作，从而在无人或少人的物品流转站点实现自助价值交换、稽查和安防任务。目前，在识别手物交互的动作时，通常采用的方式为：采用三维重建技术分析三维空间内手和物品的接触关系。
然而，当采用上述方式分析手物交互的动作时，经常会存在如下技术问题：
第一，三维重建技术是基于手和物品已经交互的前提下进行手物交互动作的分析，不能确定手物交互动作的开始时间和结束时间，会降低动作识别的完整性和动作识别的准确率，进而降低稽查的准确性；
第二，人工标注视频帧会消耗过多时间，降低视频帧的标注效率；
第三，仅用训练样本来训练预测模型，会造成接触预测模型对错误样本的过拟合，减小接触预测模型的适用范围；
第四，训练好的接触预测模型从视频帧中提取的特征图过于单一，判别效果较差。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了预测模型训练方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种预测模型训练方法，该方法包括：获取物品流转站点的视频帧序列；确定上述视频帧序列中每个视频帧中手部和物品之间的空间重叠度，得到重叠度序列；根据上述重叠度序列，对上述视频帧序列中的每个视频帧进行标注处理，得到标注信息序列，其中，上述标注信息序列中的标注信息包括视频帧和标签；利用上述标注信息序列对预测模型进行训练，得到接触预测模型，以及存储上述接触预测模型。
在一些实施例中，在所述利用所述标注信息序列对预测模型进行训练，得到接触预测模型，以及存储所述接触预测模型之后，还包括：
获取目标视频帧的红绿蓝RGB图像和前景掩码图像，其中，所述目标视频帧是物品流转站点的视频帧序列中的任一视频帧；
对所述RGB图像和所述前景掩码图像进行裁剪处理，得到图像裁剪区域和掩码裁剪区域，其中，所述图像裁剪区域是包括目标物品边框和目标手部边框的RGB图像区域，所述掩码裁剪区域是包括所述目标手部的掩码、所述目标物品的边框、其他手部的掩码和其他物品的边框的前景掩码区域；
将所述图像裁剪区域输入至第一子模型，得到第一特征图，其中，所述第一子模型包括至少一个卷积模块，所述卷积模块包括：3×3卷积层、激活函数ReLu层、归一化层和2×2的最大池化层；
将所述掩码裁剪区域输入至第二子模型，得到第二特征图，其中，所述第二子模型包括三个卷积层，每个卷积层与一个ReLu层连接；
将所述第一特征图和所述第二特征图进行拼接处理，得到第三特征图；
将所述第三特征图输入至第三子模型，得到接触概率值，其中，所述第三子模型包括：四个循环神经网络层、三个多层感知机层和激活函数sigmoid；
响应于确定所述接触概率值大于等于预设接触值，将所述视频帧的标签确定为所述第一标签；
响应于确定所述接触概率值小于所述预设接触值，将所述视频帧的标签确定为所述第二标签。
第二方面，本公开的一些实施例提供了一种预测模型训练装置，装置包括：获取单元，被配置成获取物品流转站点的视频帧序列；确定单元，被配置成确定上述视频帧序列中每个视频帧中手部和物品之间的空间重叠度，得到重叠度序列；标注处理单元，被配置成根据上述重叠度序列，对上述视频帧序列中的每个视频帧进行标注处理，得到标注信息序列，其中，上述标注信息序列中的标注信息包括视频帧和标签；训练单元，被配置成利用上述标注信息序列对预测模型进行训练，得到接触预测模型，以及存储上述接触预测模型。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的预测模型训练方法得到的接触预测模型，可以确定手部掩码区域和物品边框区域，然后通过确定手部掩码区域和物品边框区域的重叠度可以确定手物交互动作的开始时间和结束时间，提高了动作识别的完整性和动作识别的准确率，进而可以提高稽查的准确性。具体来说，造成稽查的准确性较低的原因在于：三维重建技术是基于手和物品已经交互的前提下进行手物交互动作的分析，不能确定手物交互动作的开始时间和结束时间，降低了动作识别的完整性和动作识别的准确率。基于此，本公开的一些实施例的预测模型训练方法，首先，获取物品流转站点的视频帧序列。然后，确定上述视频帧序列中每个视频帧中手部和物品之间的空间重叠度，得到重叠度序列。由此，可以确定视频帧中手部区域和物品边框区域的空间重叠度。之后，根据上述重叠度序列，对上述视频帧序列中的每个视频帧进行标注处理，得到标注信息序列，其中，上述标注信息序列中的标注信息包括视频帧和标签。由此，通过分析视频帧序列中每个视频帧中手部掩码区域和物体边框区域的重叠度，可以确定视频帧中手物交互动作的开始时间和结束时间，提高了动作识别的完整性和动作识别的准确率，进而可以提高稽查的准确性。最后，利用上述标注信息序列对预测模型进行训练，得到接触预测模型，以及存储上述接触预测模型。由此，可以得到训练好的接触预测模型。也因为通过分析视频帧中手部区域和物品边框区域的空间重叠度，可以确定手物交互动作的开始时间和结束时间，提高了动作识别的完整性和动作识别的准确率，进而可以提高稽查的准确性。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的预测模型训练方法的一个应用场景的示意图；
图2是根据本公开的预测模型训练方法的一些实施例的流程图；
图3是根据本公开的预测模型训练装置的一些实施例的结构示意图；
图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。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。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的预测模型训练方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以获取物品流转站点的视频帧序列102。然后，计算设备101可以确定上述视频帧序列102中每个视频帧中手部和物品之间的空间重叠度，得到重叠度序列103(例如，上述重叠度序列可以为“10％，20％，40％，80％，90％”)。之后，计算设备101可以根据上述重叠度序列103，对上述视频帧序列102中的每个视频帧进行标注处理，得到标注信息序列104(例如，上述标注信息序列可以为“1-0，2-0，3-0，4-1，5-1”)，其中，上述标注信息序列104中的标注信息包括视频帧(例如，上述视频帧可以为1，2，3，4，5)和标签(例如，上述标签可以为0，1)。最后，计算设备101可以利用上述标注信息序列104对预测模型进行训练，得到接触预测模型105，以及存储上述接触预测模型105。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本公开的预测模型训练方法的一些实施例的流程200。该预测模型训练方法，包括以下步骤：
步骤201，获取物品流转站点的视频帧序列。
在一些实施例中，预测模型训练方法的执行主体(如图1所示的计算设备101)可以从预设传输端口获取物品流转站点的视频帧序列。
步骤202，确定视频帧序列中每个视频帧中手部和物品之间的空间重叠度，得到重叠度序列。
在一些实施例中，上述执行主体可以利用Faster R-CNN(Faster Regions withConvolutional Neural Network features，快速目标检测)算法确定视频帧序列中每个视频帧中的手部区域和物品区域，然后将手部区域和物品区域的重叠区域占手部区域和物品区域组成的整体区域的比值，确定为视频帧中手部区域和物品的空间重叠度，最后，通过卡尔曼滤波方法将相邻帧的检测结果进行匹配，得到重叠度序列。
由此，可以确定视频帧中手部区域和物品边框区域的空间重叠度。
在一些实施例的一些可选的实现方式中，上述执行主体确定上述视频帧序列中每个视频帧中手部和物品之间的空间重叠度，得到重叠度序列，可以包括步骤：
第一步，将上述视频帧中手部的掩码区域确定为手部掩码区域。
可以利用Mask R-CNN(Mask Regions with Convolutional Neural Networkfeatures，掩膜目标检测)算法确定上述视频帧中手部的掩码信息，并将标注的手部掩码区域确定为手部掩码区域。
第二步，将上述视频帧中物品的边框区域确定为物品边框区域。
可以利用Mask R-CNN算法确定上述视频帧中的物品边框信息，并将物品边框内的区域确定为物品边框区域。
第三步，确定上述手部掩码区域和上述物品边框区域之间的空间重叠度。
首先可以利用目标检测算法确定手掩码区域的最小矩形包围框，得到手部边框区域，然后将手部边框区域和物品边框区域之间的交集与手部边框区域和物品边框区域之间的并集的比值，确定为上述手部掩码区域和上述物品边框区域之间的空间重叠度。
由此，可以确定手部和物品之间的空间重叠度。
步骤203，根据重叠度序列，对视频帧序列中的每个视频帧进行标注处理，得到标注信息序列。
在一些实施例中，上述执行主体可以利用卷积神经网络对视频帧序列中的每个视频帧进行标注处理，得到标注信息序列。其中，上述标注信息序列中的标注信息包括视频帧和标签。
由此，通过分析视频帧序列中每个视频帧中手部掩码区域和物体边框区域的重叠度，可以确定视频帧中手物交互动作的开始时间和结束时间，提高了动作识别的完整性和动作识别的准确率，进而可以提高稽查的准确性。
在一些实施例的一些可选的实现方式中，上述执行主体根据上述重叠度序列，对上述视频帧序列中的每个视频帧进行标注处理，得到标注信息序列，可以包括以下步骤：
第一步，确定上述视频帧中的前景运动区域。
可以利用单应矩阵确定上述视频帧的光流强度来确定上述视频帧中的前景运动区域。其中，上述前景运动区域是画面中感兴趣区域运动而造成的像素变化的区域。上述前景运动区域的光流强度大于预设强度阈值。
第二步，将上述手部掩码区域中上述前景运动区域所占的比值确定为第一目标值。
可以利用以下公式确定上述第一目标值：
其中，S表征上述第一目标值。i表示坐标索引。j表示坐标索引。h表示上述手部掩码。hij表示上述手部掩码中横轴坐标索引为i，纵轴坐标索引为j的像素点。f表示上述前景运动区域的掩码。fij表示上述前景运动区域的掩码中横轴坐标索引为i，纵轴坐标索引为j的像素点。W表示上述视频帧的宽度。H表示上述视频帧的高度。
第三步，将上述物品边框区域中上述前景运动区域所占的比值确定为第二目标值。
可以利用以下公式确定上述第二目标值：
其中，Q表示上述第二目标值。i表示坐标索引。j表示坐标索引。O表示上述物品边框区域。上述物品边框区域是由至少一个像素点组成的集合。Oij表示物品边框区域内横轴坐标索引为i，纵轴坐标索引为j的像素点。f表示上述前景运动区域的掩码。上述前景运动区域的掩码是由至少一个像素点组成的集合。fij表示前景运动区域的掩码中横轴坐标索引为i，纵轴坐标索引为j的像素点。W表示上述视频帧的宽度。H表示上述视频帧的高度。
第四步，将上述视频帧中手部掩码区域和物品边框区域的移动向量之间的余弦相似度确定为第三目标值。
可以根据上述视频帧与上述视频帧的前一视频帧确定上述视频帧中手部掩码区域和物品边框区域的移动向量，然后将上述视频帧中手部掩码区域和物品边框区域的移动向量之间的余弦相似度的值确定为第三目标值。
第五步，响应于确定上述视频帧满足第一预设条件，将上述视频帧对应的标签确定为第一标签。
其中，上述第一预设条件为上述视频帧对应的空间重叠度大于零、且上述第一目标值和上述第二目标值均大于等于第一预设阈值、且上述第三目标值大于等于第二预设阈值，上述第一标签表征上述视频中的手部和物品相接触。例如，上述第一标签可以为1。
第六步，响应于确定上述视频帧满足第二预设条件，将上述视频帧对应的标签确定为第二标签。
其中，上述第二预设条件是上述视频帧对应的空间重叠度等于零、或者上述第一目标值大于上述第一预设阈值且上述第二目标值小于上述第一预设阈值、或者上述第三目标值小于上述第二预设阈值，上述第二标签表征上述视频中的手部和物品无接触。例如，上述第二标签可以为0。
上述第一步至第六步及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“人工标注视频帧消耗过多时间，降低视频帧的标注效率”。导致视频帧的标注效率较低的因素如下：人工标注视频帧会消耗过多时间。如果解决了上述因素，就能提高视频帧的标注效率。为了达到这一效果，本公开通过自动识别视频帧中的手部掩码区域和物品边框区域，通过手部掩码区域和物品边框区域内移动向量的关系以及前景运动区域的比值来自动标注视频帧的标签，从而提高了视频帧的标注效率。
可选地，上述执行主体根据上述重叠度序列，对上述视频帧序列中的每个视频帧进行标注处理，得到标注信息序列，还可以执行以下步骤：
第一步，确定上述视频帧中的背景运动区域。
可以利用单应矩阵确定上述视频帧的光流强度来确定上述视频帧中的背景运动区域。其中，上述背景运动区域是画面中非感兴趣区域运动而造成的像素变化的区域。
第二步，响应于确定上述背景运动区域的移动向量大于等于预设移动阈值，将上述视频帧的标签确定为空。
第三步，响应于确定上述背景运动区域的移动向量小于预设移动阈值，将上述视频帧的上一视频帧的标签确定为上述视频帧的标签。
步骤204，利用标注信息序列对预测模型进行训练，得到接触预测模型，以及存储接触预测模型。
在一些实施例中，上述执行主体可以利用标注信息序列对预测模型进行训练，得到接触预测模型，以及存储接触预测模型。其中，上述接触预测模型是预测手和物品是否接触的模型。
由此，可以得到训练好的接触预测模。
在一些实施例的一些可选的实现方式中，上述执行主体利用上述标注信息序列对预测模型进行训练，得到接触预测模型，可以包括以下步骤：
第一步，利用上述标注信息序列中的目标数目个标注信息对上述预测模型进行初始训练，得到初始训练模型。
其中，上述目标数目可以为预先设定的初始训练的轮数。例如，上述目标数目可以为5。
第二步，利用上述标注信息序列对上述初始训练模型进行优化训练，得到上述接触预测模型。
由此，可以完成对接触预测模型的训练。
在一些实施例的一些可选的实现方式中，上述执行主体可以利用上述标注信息序列中的每个标注信息执行以下训练步骤：
第一步，响应于确定初始训练模型的置信度大于等于预设置信度阈值，修正上述标注信息包括的标签。
可以响应于确定利用样本的真实标签更新上述标注信息包括的标签。其中，x表示样本集合中的样本。k表示序号。xk表示样本集合中的第k个样本。f(xk)表示初始训练模型对样本xk预测的置信度。θ表示预设置信度阈值。
第二步，响应于确定初始训练模型预测的标签错误且初始训练模型的置信度大于等于预设置信度阈值，修正初始训练模型预测的标签。
第三步，响应于确定初始训练模型的置信度小于预设置信度阈值，更新预设置信度阈值。
可以响应于确定初始训练模型的置信度小于预设置信度阈值，更新预设置信度阈值。上述预设置信度阈值可以为其中，/>N表示训练次数。t表示第几轮训练。θmin表示θt的最小阈值。θmin的值可以为0.1。θmax表示表示θt的最大阈值。θmax的值可以为0.5。
上述“第一步，利用上述标注信息序列中的目标数目个标注信息对上述预测模型进行初始训练，得到初始训练模型。第二步，利用上述标注信息序列对上述初始训练模型进行优化训练，得到上述接触预测模型”和“第一步，响应于确定初始训练模型的置信度大于等于预设置信度阈值，修正上述标注信息包括的标签。第二步，响应于确定初始训练模型预测的标签错误且初始训练模型的置信度大于等于预设置信度阈值，修正初始训练模型预测的标签。第三步，响应于确定初始训练模型的置信度小于预设置信度阈值，更新预设置信度阈值”及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题三“仅用训练样本来训练预测模型，会造成接触预测模型对错误样本的过拟合，减小接触预测模型的适用范围”。导致接触预测模型的适用范围较小的因素如下：仅用训练样本来训练预测模型，会造成接触预测模型对错误样本的过拟合。如果解决了上述因素，就能避免接触预测模型的适用范围较小的问题。为了达到这一效果，本公开首先通过对预测模型进行一定轮数的训练，然后再使用余弦退火方法逐步进行标签的修正，从而可以优化预测模型，避免训练后的接触预测模型过拟合的问题。
可选地，上述执行主体在利用上述标注信息序列对预测模型进行训练，得到接触预测模型，以及存储上述接触预测模型之后，还可以执行以下步骤：
第一步，获取目标视频帧的红绿蓝RGB图像和前景掩码图像。
其中，上述目标视频帧是物品流转站点的视频帧序列中的任一视频帧。
第二步，对上述RGB图像和上述前景掩码图像进行裁剪处理，得到图像裁剪区域和掩码裁剪区域。
其中，上述图像裁剪区域是包括目标物品边框和目标手部边框的RGB图像区域。上述掩码裁剪区域是包括上述目标手部的掩码、上述目标物品的边框、其他手部的掩码和其他物品的边框的前景掩码区域。
第三步，将上述图像裁剪区域输入至第一子模型，得到第一特征图。
其中，上述第一子模型包括至少一个卷积模块，上述卷积模块包括：3×3卷积层、激活函数ReLu层、归一化层和2×2的最大池化层。
第四步，将上述掩码裁剪区域输入至第二子模型，得到第二特征图。
其中，上述第二子模型包括三个卷积层，每个卷积层与一个ReLu层连接。上述第二特征图编码了上述目标手部的掩码、上述目标物品的边框、其他手部的掩码和其他物品的边框的位置关系。
第五步，将上述第一特征图和上述第二特征图进行拼接处理，得到第三特征图。
例如，上述第一特征图可以是64×32×32像素大小的特征图。上述第二特征图可以是32×32×32像素大小的特征图。将上述第一特征图和上述第二特征图进行拼接处理后，得到的第三特征图可以是96×32×32像素。
第六步，将上述第三特征图输入至第三子模型，得到接触概率值。
其中，上述第三子模型包括：四个循环神经网络层、三个多层感知机层和激活函数sigmoid。
第七步，响应于确定上述接触概率值大于等于预设接触值，将上述视频帧的标签确定为上述第一标签。
第八步，响应于确定上述接触概率值小于上述预设接触值，将上述视频帧的标签确定为上述第二标签。
上述第一至第八步及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题四“训练好的接触预测模型从视频帧中提取的特征图过于单一，判别效果较差”。导致判别效果较差的因素如下：训练好的接触预测模型从视频帧中提取的特征图过于单一。如果解决了上述因素，就能解决模型判别效果较差的问题。为了达到这一效果，本公开首先确定视频帧的RGB图像和前景掩码图像，然后将RGB图像和前景掩码图像分别作为两个分支进行单独处理，最后再将两个分支处理的结果进行拼接后进行神经网络层和感知层的处理，从而解决了提取特征图过于单一的问题，提升了判别的效果。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的预测模型训练方法得到的接触预测模型，可以确定手部掩码区域和物品边框区域，然后通过确定手部掩码区域和物品边框区域的重叠度可以确定手物交互动作的开始时间和结束时间，提高了动作识别的完整性和动作识别的准确率，进而可以提高稽查的准确性。具体来说，造成稽查的准确性较低的原因在于：三维重建技术是基于手和物品已经交互的前提下进行手物交互动作的分析，不能确定手物交互动作的开始时间和结束时间，降低了动作识别的完整性和动作识别的准确率。基于此，本公开的一些实施例的预测模型训练方法，首先，获取物品流转站点的视频帧序列。然后，确定上述视频帧序列中每个视频帧中手部和物品之间的空间重叠度，得到重叠度序列。由此，可以确定视频帧中手部区域和物品边框区域的空间重叠度。之后，根据上述重叠度序列，对上述视频帧序列中的每个视频帧进行标注处理，得到标注信息序列，其中，上述标注信息序列中的标注信息包括视频帧和标签。由此，通过分析视频帧序列中每个视频帧中手部掩码区域和物体边框区域的重叠度，可以确定视频帧中手物交互动作的开始时间和结束时间，提高了动作识别的完整性和动作识别的准确率，进而可以提高稽查的准确性。最后，利用上述标注信息序列对预测模型进行训练，得到接触预测模型，以及存储上述接触预测模型。由此，可以得到训练好的接触预测模型。也因为通过分析视频帧中手部区域和物品边框区域的空间重叠度，可以确定手物交互动作的开始时间和结束时间，提高了动作识别的完整性和动作识别的准确率，进而可以提高稽查的准确性。
进一步参考图3，作为对上述各图所示方法的实现，本公开提供了一种预测模型训练装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，一些实施例的预测模型训练装置300包括：获取单元301、确定单元302、标注处理单元303和训练单元304。其中，获取单元301被配置成获取物品流转站点的视频帧序列；确定单元302被配置成确定上述视频帧序列中每个视频帧中手部和物品之间的空间重叠度，得到重叠度序列；标注处理单元303被配置成根据上述重叠度序列，对上述视频帧序列中的每个视频帧进行标注处理，得到标注信息序列，其中，上述标注信息序列中的标注信息包括视频帧和标签；训练单元304被配置成利用上述标注信息序列对预测模型进行训练，得到接触预测模型，以及存储上述接触预测模型。
可以理解的是，该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。
下面参考图4，其示出了适于用来实现本公开的一些实施例的电子设备(如图1所示的计算设备101)400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取物品流转站点的视频帧序列。确定上述视频帧序列中每个视频帧中手部和物品之间的空间重叠度，得到重叠度序列。根据上述重叠度序列，对上述视频帧序列中的每个视频帧进行标注处理，得到标注信息序列，其中，上述标注信息序列中的标注信息包括视频帧和标签。利用上述标注信息序列对预测模型进行训练，得到接触预测模型，以及存储上述接触预测模型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示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操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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、确定单元、标注处理单元和训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取物品流转站点的视频帧序列的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种预测模型训练方法，包括：
获取物品流转站点的视频帧序列；
确定所述视频帧序列中每个视频帧中手部和物品之间的空间重叠度，得到重叠度序列；
根据所述重叠度序列，对所述视频帧序列中的每个视频帧进行标注处理，得到标注信息序列，其中，所述标注信息序列中的标注信息包括视频帧和标签；
利用所述标注信息序列对预测模型进行训练，得到接触预测模型，以及存储所述接触预测模型。
2.根据权利要求1所述的方法，其中，所述确定所述视频帧序列中每个视频帧中手部和物品之间的空间重叠度，得到重叠度序列，包括：
将所述视频帧中手部的掩码区域确定为手部掩码区域；
将所述视频帧中物品的边框区域确定为物品边框区域；
确定所述手部掩码区域和所述物品边框区域之间的空间重叠度。
3.根据权利要求2所述的方法，其中，所述根据所述重叠度序列，对所述视频帧序列中的每个视频帧进行标注处理，得到标注信息序列，包括：
确定所述视频帧中的前景运动区域；
将所述手部掩码区域中所述前景运动区域所占的比值确定为第一目标值；
将所述物品边框区域中所述前景运动区域所占的比值确定为第二目标值；
将所述视频帧中手部掩码区域和物品边框区域的移动向量之间的余弦相似度确定为第三目标值；
响应于确定所述视频帧满足第一预设条件，将所述视频帧对应的标签确定为第一标签，其中，所述第一预设条件为所述视频帧对应的空间重叠度大于零、且所述第一目标值和所述第二目标值均大于等于第一预设阈值、且所述第三目标值大于等于第二预设阈值，所述第一标签表征所述视频中的手部和物品相接触；
响应于确定所述视频帧满足第二预设条件，将所述视频帧对应的标签确定为第二标签，其中，所述第二预设条件是所述视频帧对应的空间重叠度等于零、或者所述第一目标值大于所述第一预设阈值且所述第二目标值小于所述第一预设阈值、或者所述第三目标值小于所述第二预设阈值，所述第二标签表征所述视频中的手部和物品无接触。
4.根据权利要求1所述的方法，其中，所述利用所述标注信息序列对预测模型进行训练，得到接触预测模型，包括：
利用所述标注信息序列中的目标数目个标注信息对所述预测模型进行初始训练，得到初始训练模型；
利用所述标注信息序列对所述初始训练模型进行优化训练，得到所述接触预测模型。
5.根据权利要求4所述的方法，其中，所述利用所述标注信息序列对所述初始训练模型进行优化训练，得到所述接触预测模型，包括：
利用所述标注信息序列中的每个标注信息执行以下训练步骤：
响应于确定初始训练模型的置信度大于等于预设置信度阈值，修正所述标注信息包括的标签；
响应于确定初始训练模型预测的标签错误且初始训练模型的置信度大于等于预设置信度阈值，修正初始训练模型预测的标签；
响应于确定初始训练模型的置信度小于预设置信度阈值，更新预设置信度阈值。
6.一种预测模型训练装置，包括：
获取单元，被配置成获取物品流转站点的视频帧序列；
确定单元，被配置成确定所述视频帧序列中每个视频帧中手部和物品之间的空间重叠度，得到重叠度序列；
标注处理单元，被配置成根据所述重叠度序列，对所述视频帧序列中的每个视频帧进行标注处理，得到标注信息序列，其中，所述标注信息序列中的标注信息包括视频帧和标签；
训练单元，被配置成利用所述标注信息序列对预测模型进行训练，得到接触预测模型，以及存储所述接触预测模型。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5中任一所述的方法。
8.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210176682.6A CN116704593A (zh) | 2022-02-24 | 2022-02-24 | 预测模型训练方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210176682.6A CN116704593A (zh) | 2022-02-24 | 2022-02-24 | 预测模型训练方法、装置、电子设备和计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116704593A true CN116704593A (zh) | 2023-09-05 |
Family
ID=87822662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210176682.6A Pending CN116704593A (zh) | 2022-02-24 | 2022-02-24 | 预测模型训练方法、装置、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116704593A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117523665A (zh) * | 2023-11-13 | 2024-02-06 | 书行科技(北京)有限公司 | 人体动作预测模型的训练方法、相关方法及相关产品 |
-
2022
- 2022-02-24 CN CN202210176682.6A patent/CN116704593A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117523665A (zh) * | 2023-11-13 | 2024-02-06 | 书行科技(北京)有限公司 | 人体动作预测模型的训练方法、相关方法及相关产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111476309B (zh) | 图像处理方法、模型训练方法、装置、设备及可读介质 | |
| CN108427939B (zh) | 模型生成方法和装置 | |
| CN108710885B (zh) | 目标对象的检测方法和装置 | |
| CN110276346B (zh) | 目标区域识别模型训练方法、装置和计算机可读存储介质 | |
| CN107622240B (zh) | 人脸检测方法和装置 | |
| CN110378410B (zh) | 多标签场景分类方法、装置及电子设备 | |
| CN112668588B (zh) | 车位信息生成方法、装置、设备和计算机可读介质 | |
| CN112766284B (zh) | 图像识别方法和装置、存储介质和电子设备 | |
| CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
| CN111767750A (zh) | 图像处理方法和装置 | |
| CN115578570A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN116704593A (zh) | 预测模型训练方法、装置、电子设备和计算机可读介质 | |
| CN111310595B (zh) | 用于生成信息的方法和装置 | |
| CN110288691B (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
| CN115375657A (zh) | 息肉检测模型的训练方法、检测方法、装置、介质及设备 | |
| CN115100536B (zh) | 建筑物识别方法、装置、电子设备和计算机可读介质 | |
| CN113255819B (zh) | 用于识别信息的方法和装置 | |
| CN115375656A (zh) | 息肉分割模型的训练方法、分割方法、装置、介质及设备 | |
| CN114863124A (zh) | 模型训练方法、息肉检测方法、相应装置、介质及设备 | |
| CN113222050B (zh) | 图像分类方法、装置、可读介质及电子设备 | |
| CN113033682B (zh) | 视频分类方法、装置、可读介质、电子设备 | |
| CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
| CN114638973A (zh) | 目标图像检测方法及图像检测模型训练方法 | |
| CN115240042B (zh) | 多模态图像识别方法、装置、可读介质和电子设备 | |
| CN115223113B (zh) | 训练样本集清洗方法、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 |