【技术实现步骤摘要】
人体识别模型的训练方法及装置
[0001]本公开涉及机器学习
，尤其涉及一种人体识别模型的训练方法及装置。
技术介绍
[0002]在实际的人体识别中，待识别的图片往往存在遮挡，但是人体识别模型的训练中却对图片被遮挡的情况考虑不足，这导致训练后的人体识别模型识别存在遮挡情况的图片准确率低的问题。比如现有技术仅仅是在训练中使用到了存在遮挡情况的图片，并没有针对遮挡图片的特征对模型结构进行改进，也没有提出针对存在遮挡情况的图片以及改进结构后的模型的训练方法。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下技术问题：基于传统模型训练方法训练后的人体识别模型识别存在遮挡情况的图片准确率低的问题。
技术实现思路
[0004]有鉴于此，本公开实施例提供了一种人体识别模型的训练方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，基于传统模型训练方法训练后的人体识别模型识别存在遮挡情况的图片准确率低的问题。
[0005]本公开实施例的第一方面，提供了一种人体识别模型的训...
【技术保护点】
【技术特征摘要】
1.一种人体识别模型的训练方法，其特征在于，包括：构建双流有效注意力网络和多阶段有效注意力网络，以残差神经网络为主干网络，连接所述双流有效注意力网络和所述多阶段有效注意力网络，得到人体识别模型；获取人体训练数据集，将所述人体训练数据集中训练样本输入所述人体识别模型，其中，所述训练样本上被标注有第一预设数量的有效区域和第二预设数量的无效区域；分别通过所述残差神经网络的多个阶段网络输出多个阶段特征；利用所述双流有效注意力网络对每个阶段特征进行双流交互计算，得到每个阶段特征对应的交互特征；利用所述多阶段有效注意力网络处理每个阶段特征和该阶段特征对应的交互特征，得到每个阶段特征对应的显著特征；基于每个阶段特征对应的显著特征，利用损失函数完成对所述人体识别模型的训练。2.根据权利要求1所述的方法，其特征在于，所述分别通过所述残差神经网络的多个阶段网络输出多个阶段特征，包括：分别通过所述残差神经网络的第二阶段网络、第三阶段网络和第四阶段网络输出第一阶段特征、第二阶段特征和第三阶段特征；其中，所述残差神经网络包含第零阶段网络、第一阶段网络、第二阶段网络、第三阶段网络和第四阶段网络。3.根据权利要求1所述的方法，其特征在于，所述利用所述双流有效注意力网络对每个阶段特征进行双流交互计算，得到每个阶段特征对应的交互特征，包括：对于每个阶段特征：对该阶段特征依次进行可形变卷积计算、批量归一化处理和第一激活处理，得到该阶段特征对应的第一特征；对该阶段特征依次进行空洞卷积计算、所述批量归一化处理和第二激活处理，得到该阶段特征对应的第二特征；对所述第一特征依次进行所述可形变卷积计算、所述批量归一化处理和所述第一激活处理，得到该阶段特征对应的第三特征；对所述第一特征和所述第二特征依次进行特征堆叠处理、所述空洞卷积计算、所述批量归一化处理和所述第二激活处理，得到该阶段特征对应的第四特征；对所述第三特征和所述第四特征依次进行所述特征堆叠处理、所述可形变卷积计算、所述批量归一化处理和所述第一激活处理，得到该阶段特征对应的第五特征；对所述第五特征依次进行平均池化处理和全连接层处理，得到该阶段特征对应的第六特征；对所述第四特征依次进行所述可形变卷积计算、所述批量归一化处理和所述第一激活处理，得到该阶段特征对应的第七特征；对所述第六特征和所述第七特征依次进行所述特征堆叠处理、卷积计算、第三激活处理，得到该阶段特征对应的交互特征。4.根据权利要求1所述的方法，其特征在于，所述利用所述多阶段有效注意力网络处理每个阶段特征和该阶段特征对应的交互特征，得到每个阶段特征对应的显著特征，包括：对每个阶段特征和该阶段特征依次进行特征堆叠处理、可形变卷积计算、批量归一化
处理和第一激活处理，得到每个阶段特征对应的显著特征。5.根据权利要求1所述的方法，其特征在于，所述基于每个阶段特征对应的显著特征，利用损失函数完成对所述人体识别模型的训练，包括：基于每个阶段特征对应的显著特...
【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：深圳须弥云图空间科技有限公司，
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。