【技术实现步骤摘要】
一种基于模型剪枝的轻量化人体关键点检测方法及装置
[0001]本专利技术属于计算机视觉中的人体关键点检测领域,尤其是涉及一种基于模型剪枝的轻量化人体关键点检测方法及装置
。
技术介绍
[0002]人体关键点检测,是人工智能领域的一个重要的基础任务,可以为人体动作识别
、
训练机器人
、
增强现实
、
人机交互中的行为捕捉等领域提供基础技术支持
。
[0003]人体关键点将人体表示为若干个关节如:脖子
、
鼻子
、
左右眼
、
左右耳
、
左右肩
、
左右肘
、
左右腕
、
左右臀
、
左右膝
、
左右脚踝等
。
人体关键点检测任务通过使用算法和模型对图像或视频中行人的肢体部件和主要关节进行识别和分类来捕捉一组坐标,进而这些坐标可以用来在图像和视频中描述一个或多个人的人体姿态
。
[0004]研究人体关键点检测算法在医学诊断和康复方面
、
安防领域
、
人机交互
、
自动驾驶领域都有很大的应用价值:总之,人体关键点检测的研究具有重要的理论和实际意义
。
[0005]人体关键点检测任务根据图像中人物数量分为两种:单人检测和多人检测
。
前者是基于给定边界框的裁剪图像预测人体关键点的单人位姿估计,后者
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
一种基于模型剪枝的轻量化人体关键点检测方法,其特征在于,包括以下步骤:
(1)
对原始图像进行一系列卷积操作,再进行连续的下采样,得到不同尺度的低分辨率图像;
(2)
构建多分支的卷积神经网络,将不同分辨率图像分别输入卷积神经网络的分支网络,并在不同的分支网络间设置信息融合层,使得不同分辨率间的信息进行相互融合;
(3)
对卷积神经网络中的每一个卷积块添加一个全连接层作为线性分类器,训练并计算线性分类器的检测准确率;利用线性分类器的准确率计算每个卷积块的贡献度;
(4)
对所有卷积块的贡献度进行排序,根据剪枝比率将贡献度低的卷积块从网络中删除,得到剪枝网络;
(5)
对剪枝网络和原始卷积神经网络一起采用知识蒸馏方法训练;
(6)
将待检测的图像输入训练后的剪枝网络,得到人体关键点的检测结果
。2.
根据权利要求1所述的基于模型剪枝的轻量化人体关键点检测方法,其特征在于,步骤
(1)
中,进行连续的下采样具体包括
1/2、1/4
和
1/8
倍的下采样
。3.
根据权利要求1所述的基于模型剪枝的轻量化人体关键点检测方法,其特征在于,步骤
(2)
中,每个分支网络由
16
个卷积块堆叠构成,每个卷积块由3×3卷积核
、
归一化函数和激活函数构成
。4.
根据权利要求1所述的基于模型剪枝的轻量化人体关键点检测方法,其特征在于,步骤
(2)
中,在不同的分支网络间设置信息融合层,使得不同分辨率间的信息进行相互融合具体包括:在不同的分支网络之间加入两个多尺度信息融合模块,两个信息融合模块首先对过程中各个分支网络的中间结果进行直接的上采样和下采样;并将不同分支网络中上采样和下采样后的中间结果直接相加到各个分支网络中
。5.
根据权利要求1所述的基于模型剪枝的轻量化人体关键点检测方法,其特征在于,步骤
(3)
中,将卷积块的贡献度定义为:其中,和分别表示卷积块
技术研发人员:李科,陈征,陈思颢,王闻箫,林彬彬,
申请(专利权)人:宁波弗浪科技有限公司,
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。