[发明专利]一种基于自启发的人体姿态估计模型训练方法及装置

权利要求书

1.一种基于自启发的人体姿态估计模型训练方法，包括：

S1、训练初始化，建立训练模型及指引模型；

S2、获取具有人体姿态内容的图像；

S3、将图像转换为热图，所述热图包括基准标签值热图训练模型的输出热图heatmap_n和指引模型的输出热图

S4、根据所述热图获取原生姿态损失及指引损失；

S5、根据联合补偿损失函数获取联合补偿损失；

S6、更新训练模型的权重以及更新指引模型的权重；

S7、将当前训练模型指定为下一指引模型，将当前指引模型指定为下一训练模型；

S8、返回步骤S2。

2.如权利要求1所述的基于自启发的人体姿态估计模型训练方法，其特征在于：在步骤S4之中，根据原生姿态损失计算公式获取原生姿态损失，所述原生姿态损失计算公式为：

根据指引损失计算公式获取指引损失，所述指引损失计算公式为：

其中，n为关键点集合的序号，满足n＝1，2，...，N，其中N为待估计的人体姿态关键点总数，p_n(i，j)表示对于关键点j_n的训练模型的输出热图heatmap_n在位置(i，j)的置信度值大小，代表对于关键点j_n的基准标签值热图的置信度分布，即代表在位置为(i，j)的置信度值大小；代表对于关键点(i，j)的指引模型的输出热图的置信度分布，即代表在位置为(i，j)的置信度值大小；ξ_n表示在中对关键点j_n损失的权重分配值，ξ′_n表示在中对关键点j_n损失的权重分配值，ε，ε′，ρ，ρ′，σ₁，σ′₁，σ₂，σ′₂为常数，(i_predict，j_predict)表示模型的输出关于关键点j_n的坐标位置，且满足关键点坐标标识条件：

p_n(i_predict，j_predict)＝max(p_n)。

3.如权利要求2所述的基于自启发的人体姿态估计模型训练方法，其特征在于：在步骤S5之中，所述联合补偿损失函数为：

其中，w₁和w₂为常数。

4.如权利要求3所述的基于自启发的人体姿态估计模型训练方法，其特征在于：在步骤S6之中，通过Adam优化器进行梯度优化策略的执行，使用联合补偿损失进行梯度反向传播，更新训练模型的权重。

5.如权利要求4所述的基于自启发的人体姿态估计模型训练方法，其特征在于：在步骤S6之中，通过指引更新函数对指引模型的权重进行更新，对于当前迭代轮次ITER，所述指引更新函数为：

其中，为指引模型在某一迭代轮次iter的网络权重，θ_iter为训练模型在某一迭代轮次iter的网络权重，num是常数，以表示指引更新中所使用的轮次范围。

6.一种基于自启发的人体姿态估计模型训练装置，其特征在于：包括图像识别模块、获取模块、转换模块、更新模块和指定模块，

所述图像识别模块用于识别图像中人体姿态的各个关键点，并且使得人体关键点与图像其他部分进行区别标识；

所述获取模块用于获取具有人体姿态内容的图像、根据所述热图获取原生姿态损失及指引损失以及根据联合补偿损失函数获取联合补偿损失；

所述转换模块用于将图像转换为热图，所述热图包括基准标签值热图训练模型的输出热图heatmap_n和指引模型的输出热图

所述更新模块用于更新训练模型的权重以及更新指引模型的权重；

所述指定模块用于将当前训练模型指定为下一指引模型，以及将当前指引模型指定为下一训练模型。