一种基于多任务学习的人体附属物识别方法技术

本发明专利技术提出了一种基于多任务学习的人体附属物识别方法，使用可以结合目标检测与属性分类的训练以及检测方式，在训练阶段中，通过多任务学习的方式能够使得网络可以提取到附属物和人体属性等多种层次的特征。在检测阶段中，通过多种微调方法的组合，通过实验表明在人体附属物的算法精度、以及算法迭代速度都有显著提升。显著提升。显著提升。

【技术实现步骤摘要】
一种基于多任务学习的人体附属物识别方法


[0001]本专利技术属于深度学习多任务表征
，涉及一种基于多任务学习的人体附属物识别方法。

技术介绍

[0002]人体附属物指的是人体身上手持或佩戴的物件，例如背包、口罩、帽子、手机等。在公共安全、安全生产、防疫卫生等场合。都要求对相关人员的附属物的识别。
[0003]在人工智能技术出现以后，这类附属物的识别开始走向智能化。一般的附属物识别方法分为目标检测和属性识别两类。
[0004]目标检测方法指输入单帧图像通过检测算法输出人体身上的附属物框图，这类算法能够定位人体附属物位置，但有如下缺点：
[0005]1.算法逻辑存在缺陷，尽管能定位人体附属物，但无法判断它是否符合正确的特征，例如在需要佩戴口罩的场合，目标检测算法虽然能够检测到口罩，却没有办法判断该口罩是否被规范佩戴。
[0006]2.目标检测算法开销较大，一般的目标检测的算法比属性分类任务要慢若干倍，对于计算设备的要求更高。
[0007]另外一种方案是属性识别算法，是通过大量图片的训练，使用分类模型去本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多任务学习的人体附属物识别方法，其特征在于，包括如下：S1.在应用地点设置监控摄像头收集视频数据：使用开源的人体检测算法收集人体框图，采用人工标注的方式设置分类标签和图片中附属物的框图以及属性，从而构建数据集；S2.利用上述数据集在基于多任务参数共享的人体附属物表征训练流程中训练人体附属物识别算法；所述的人体附属物识别算法包含骨架网络、目标检测子网络、属性分类子网络即分类器；所述骨架网络选用ResNet50，接受输入图片，第3,4,5个卷积层的特征图C3,C4,C5,作为骨架网络的输出；所述目标检测子网络选用RetinaNet网络，包含FPN模块、检测框图子网络和检测分类子网络；FPN模块接受C3,C4,C5为输入，检测框图子网络和检测分类子网络以FPN的输出为输入，分别输出第i个附属物的框图B
i
和种类l
i
；所述分类器以C5为输入，可包含复数个分类器，第j个分类器经过一层池化层和全连接层输出图片的属性a
j
；S3.将待识别的图片I，输入训练完毕的人体附属物识别网络，得到附属物识别结果；S4.待后续若有新附属物识别任务，采用微调方案进行快速迭代。2.根据权利要求1所述的基于多任务学习的人体附属物识别方法，其特征在于，所述的微调方案包括：在一般应用场合，如果训练样...

【专利技术属性】
技术研发人员：徐建民，毛维杰，
申请(专利权)人：浙江大学，
类型：发明
国别省市：