【技术实现步骤摘要】
基于关键点前端实时检测的量化误差补偿方法及系统
[0001]本专利技术涉及误差优化处理的
,特别涉及一种基于关键点前端实时检测的量化误差补偿方法及系统。
技术介绍
[0002]现有的关键点前端实时检测算法多采用回归坐标的方法进行检测。为了保证前端推理速度,模型很少使用上采样操作丰富感受野组合。与Heatmap
‑
based方法相比,直接采用回归的方法不需要维持高分辨率的特征,其能够节省前端算力资源,提高模型运行速度。
[0003]Regression
‑
based方法通过L1或L2 loss直接回归坐标,不需要上采样过程,推理耗时短。但是,Regression中的全连接层将位置信息转化为坐标值,丢失了特征的空间信息,非线性强,因此不好训练和收敛。
技术实现思路
[0004]专利技术目的:提出一种基于关键点前端实时检测的量化误差补偿方法及系统,以解决现有技术存在的上述问题。通过量化误差补偿算子,弥补了由于softmax造成的积分量化误差,从而无需维持高分辨率的热图,就可以极大降低前端计算内存开销以及推理时间,同时,有效提高模型检测精度。
[0005]技术方案:第一方面,提出了一种基于关键点前端实时检测的量化误差补偿方法,该方法包括以下步骤:
[0006]步骤1、构建关键点检测模型;该模型包含由3个采样模块构成的下采样模块、Head层、全连接层。
[0007]其中,下采样模块由步长为2的卷积与BN层构成,在数据处理的过程中,对接收到 ...
【技术保护点】
【技术特征摘要】
1.一种基于关键点前端实时检测的量化误差补偿方法,其特征在于,包括以下步骤:步骤1、构建关键点检测模型;步骤2、接收待分析的目标图像,并输入关键点检测模型中;步骤3、关键点检测模型对目标图像进行分析,输出图像特征;步骤4、对步骤3中输出的图像特征求积分,获得坐标均值;步骤5、利用余弦相似度对坐标均值执行归一化操作,获得期望坐标均值;步骤6、构建量化误差补偿算子,对期望坐标均值进行补偿;步骤7、输出最终的补偿后的图像数据。2.根据权利要求1所述的一种基于关键点前端实时检测的量化误差补偿方法,其特征在于,所述关键点检测模型的主干网络中,包含3个下采样模块,并在数据处理的过程中,对接收到的目标图像执行尺寸压缩操作;所述下采样模块由步长为2的卷积与BN层构成。3.根据权利要求1所述的一种基于关键点前端实时检测的量化误差补偿方法,其特征在于,所述关键点检测模型还包括Head层和全连接层;所述Head层与全连接层连接;所述Head层中包括1
×
1卷积,用于改变输出特征的维度,并将输出特征作为全连接层的输入特征。4.根据权利要求3所述的一种基于关键点前端实时检测的量化误差补偿方法,其特征在于,基于构建的关键点检测模块,步骤5中获得期望坐标均值的过程中,包括以下步骤:步骤5.1、接收Head层输出的输出特征;步骤5.2、读取全连接层参数;步骤5.3、利用余弦相似度对步骤5.1中的输出特征和步骤5.2中的参数进行运算;步骤5.4、在预设维度上,为步骤5.3中的运算结果做归一化操作,获得离散概率分布;步骤5.5、构建尺度因子β,并基于尺度因子β超参锐化分布;步骤5.6、基于步骤5.5的分布情况,在预设维度的情况下,将网格距离离散化与离散概率分布相乘再积分,获得期望坐标均值。5.根据权利要求3所述的一种基于关键点前端实时检测的量化误差补偿方法,其特征在于,所述步骤6中构建量化误差补偿算子,对期望坐标均值进行补偿的过程,包括以下步骤:步骤6.1、读取经过余弦相似度归一化操作后的输出特征;步骤6.2、将步骤6.1中的输出特征进行维度转换;步骤6.3、基于步骤6.2中的转换结果,分别在维度2和维度3上对特征求和;步骤6.4、基于步骤6.3的处理结果对步骤6.1中的输出特征进行降维,获得坐标两个方向上的输出特征;步骤6.5、将步骤6.4中的输出特征映射成一维向量;步骤6.6、对步骤6.5中的一维向量执行Softmax操作;步骤6.7、根据Soft
‑
Argmax运算方式,对关键点的期望坐标执行表达方式的转换;步骤6.8、结合映射关系对步骤6.7中转换后的期望坐标进行再次转换,获得关键点获取表达式;步骤6.9、输出最...
【专利技术属性】
技术研发人员:魏学备,海雷,冷聪,
申请(专利权)人:中科方寸知微南京科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。