CN110889393A - 人体姿态估计方法及设备 - Google Patents
人体姿态估计方法及设备 Download PDFInfo
- Publication number
- CN110889393A CN110889393A CN201911259717.7A CN201911259717A CN110889393A CN 110889393 A CN110889393 A CN 110889393A CN 201911259717 A CN201911259717 A CN 201911259717A CN 110889393 A CN110889393 A CN 110889393A
- Authority
- CN
- China
- Prior art keywords
- human body
- information
- human
- posture estimation
- key points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种人体姿态估计方法及设备,能够将第二人体姿态估计模型所得到的人体关键点第二信息用于指导第一人体姿态估计模型的模型训练,从而以知识蒸馏的方式将第二人体姿态估计模型学习到的人体关键点知识传授给第一人体姿态估计模型,从而提高了第一人体姿态估计模型的人体关键点估计精度,同时保留了第一姿态估计模型较快的测试速度,能够实现实时的人体姿态估计。
Description
技术领域
本申请涉及图像识别领域,尤其涉及一种人体姿态估计方法及设备。
背景技术
人体姿态估计是指从二维图像中给出人体关键点的位置,可用于人机交互、视觉监控、体育运动分析、医疗诊断、虚拟现实以及增强现实等多种领域。无论是单人姿态估计还是多人姿态估计,其识别结果的好坏很大程度上依赖于环境的影响,例如人体遮挡、光照强度、不同的尺度和角度都会对人体关键点的识别结果造成干扰。对于多人姿态估计来说,现有技术大致可分为两种:自底向上的人体姿态估计和自顶向下的人体姿态估计。自底向上的人体姿态估计首先检测出图像中所有的人体关键点,再将这些人体关键点组合成多个独立的人体,这种方法的速度较快,但是精度不高,相关论文如Newell A,Huang Z等人2017年在Advances in Neural Information Processing Systems上发表的Associativeembedding:End-to-end learning for joint detection and grouping等。自顶向下的人体姿态估计是首先通过人体检测器先检测出所有的人体,再对每个人体检测出相应的人体关键点,这种方法的精度较高,但是速度较慢,相关论文如Xiao B,Wu H等人在Europeanconference on Computer Vision(ECCV)上发表的Simple baselines for human poseestimation and tracking等。
发明内容
本申请的一个目的是提供一种人体姿态估计方法及设备,用于解决现有技术下实时的自底向上的人体姿态估计方法的精度不高的问题。
为实现上述目的,本申请提供了一种人体姿态估计方法,其中,该方法包括:
构建第一人体姿态估计模型,其中,所述第一人体姿态估计模型使用第二人体姿态估计模型所输出的人体关键点第二信息指导训练,所述第一人体姿态估计模型使用自底向上的人体姿态估计方法构建,所述第二人体姿态估计模型使用自顶向下的人体姿态估计方法构建;
将人体图像输入所述第一人体姿态估计模型,获取所述人体图像中的人体关键点第一信息及人体姿态信息。
进一步地,构建第一人体姿态估计模型,包括:
获取所述人体图像的特征图;
根据所述人体图像的特征图,获取所述人体图像中人体关键点第一信息;
根据所述第二人体姿态估计模型输出的人体关键点第二信息,修正对应区域中所述人体关键点第一信息;
对所述人体关键点第一信息进行分组,并根据分组结果确定对应的人体姿态信息。
进一步地,获取所述人体图像的特征图,包括:
通过卷积层和池化层对所述人体图像进行特征提取,获取所述人体图像的特征图。
进一步地,根据所述第二人体姿态估计模型输出的人体关键点第二信息,调整对应区域中所述人体关键点第一信息,包括:
将所述人体图像输入所述第二人体姿态估计模型,获取输出的人体关键点第二信息;
确定同一区域中所述人体关键点第二信息和对应的所述人体关键点第一信息之间的差距;
修正所述人体关键点第一信息,以使所述差距最小,并获取所述差距最小时的人体关键点第一信息。
进一步地,修正所述人体关键点第一信息,以使所述差距最小,并获取所述差距最小时的人体关键点第一信息,包括:
根据预设的损失函数获取同一区域中所述人体关键点第二信息和对应的所述人体关键点第一信息之间的差距,并以预设的损失函数优化方法通过持续的模型训练减少两者的差距;
在两者的差距满足预设的停止训练阈值时,停止模型训练并获取当前的人体关键点第一信息。
进一步地,对所述人体关键点第一信息进行分组,并根据分组结果确定对应的人体姿态信息,包括:
根据所述人体关键点第一信息的类别对所述人体关键点第一信息进行聚类,根据聚类分类中的所述人体关键点第一信息确定对应的人体姿态信息。
进一步地,所述第二人体姿态估计模型的构建步骤,包括:
获取所述人体图像的特征图;
通过卷积神经网络对所述人体图像的特征图进行人体目标检测,确定所述人体图像中的单个人体图像;
对所述单人人体图像进行单人姿态估计,获取所述单个人体图像中的人体关键点第二信息。
进一步地,确定所述人体图像中的单个人体图像之后,还包括:
从所述人体图像中获取多个所述单个人体图像,并将多个所述单个人体图像调整为统一尺寸。
基于本申请的另一方面,本申请还提供了一种设备,该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,使该设备执行前述人体姿态估计方法。
本申请还提供了一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现前述人体姿态估计方法。
与现有技术相比,本申请提供的方案能够将第二人体姿态估计模型所得到的人体关键点第二信息用于指导第一人体姿态估计模型的模型训练,从而以知识蒸馏的方式将第二人体姿态估计模型学习到的人体关键点知识传授给第一人体姿态估计模型,从而提高了第一人体姿态估计模型的人体关键点估计精度,同时保留了第一姿态估计模型较快的测试速度,能够实现实时的人体姿态估计。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本申请的一些实施例提供的一种人体姿态估计方法的流程图。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中,终端、网络设备均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
图1示出了本申请的一些实施例提供的一种人体姿态估计方法,其中,该方法可具体包括如下步骤:
步骤S101,构建第一人体姿态估计模型,其中,所述第一人体姿态估计模型使用第二人体姿态估计模型所输出的人体关键点第二信息指导训练,所述第一人体姿态估计模型使用自底向上的人体姿态估计方法构建,所述第二人体姿态估计模型使用自顶向下的人体姿态估计方法构建;
步骤S102,将人体图像输入所述第一人体姿态估计模型,获取所述人体图像中的人体关键点第一信息及人体姿态信息。
该方法尤其适合用于对包含多人的人体图像进行实时人体姿态估计的场合,能够将第二人体姿态估计模型所学习到的人体关键点第二信息传授给第一人体姿态估计模型,从而指导第一人体姿态估计模型训练得到更精确的人体关键点第一信息。
在步骤S101中,首先构建第一人体姿态估计模型。在此,第一人体姿态估计模型使用自底向上的人体姿态估计方法来进行构建,第二人体姿态估计模型使用自顶向下的人体姿态估计方法进行构建,第一人体姿态估计模型的训练过程中使用第二人体姿态估计模型所输出的人体关键点第二信息来辅助训练,从而提升第一人体姿态估计模型的精度,使得第一人体姿态估计模型能够输出精确度更高的人体关键点第一信息。
本申请的一些实施例中,构建第一人体姿态估计模型,具体可包括如下步骤:
1)获取所述人体图像的特征图;在此,这里的人体图像为用于进行第一人体姿态估计模型训练所使用的多张图像,每张图像中有多个人体,其中的人体关键点的位置和人体姿态已经预先进行了标注,这里的人体姿态是对相应的人体关键点进行连接所形成的连接图形,人体关键点可分为不同的类型,例如肩、肘、手等,具体的人体关键点包括左肩、右肩、左肘、右肘、左手、右手等,通常有17个人体关键点;
具体来说,是通过卷积层和池化层对该人体图像进行特征提取,获取该人体图像的特征图,卷积层和池化层都是卷积神经网络中处理步骤,通过卷积层中的卷积操作和池化操作对人体图像进行处理,得到该人体图像的特征图像;
2)根据所述人体图像的特征图,获取所述人体图像中人体关键点第一信息;在此,将上一步骤得到的特征图再通过多个连接的卷积层,从而得到包含多个通道的全部人体的姿态估计的热图,这里每个通道代表一个人体关键点的类别,例如通道数可为17个,初始的人体图像中多个人体的该类别的人体关键点在对应的通道热图上有较高的激活,根据较高的激活的位置确定该类别的人体关键点的位置,再将得到的人体关键点的位置与对应的预先标注的该人体关键点的位置计算两者之间的损失函数,并通过损失函数的优化方法例如梯度下降法等来持续优化两者之间的差距,并在满足预设的训练停止条件时停止模型训练,并将当前的人体关键点位置包含在人体关键点第一信息中;
3)根据所述第二人体姿态估计模型输出的人体关键点第二信息,修正对应区域中所述人体关键点第一信息;在此,第二人体姿态估计模型将获得的知识以知识蒸馏的方式传递给第一人体姿态估计模型,使得第一人体姿态估计模型可根据传递的知识优化自己的输出信息。知识蒸馏亦即暗知识提取,可通过引入与教师网络(teacher network:复杂、但推理性能优越)相关的软目标作为整体损失的一部分,以诱导学生网络(student network:精简、低复杂度)的训练,从而实现知识迁移。本申请的一些实施例中,以第二人体姿态估计模型作为教师网络,以第一人体姿态估计模型作为学生网络,将第二人体姿态估计模型的知识迁移到第一人体姿态估计模型。
具体来说,可包括如下步骤:
(a)将所述人体图像输入所述第二人体姿态估计模型,获取输出的人体关键点第二信息;在此,第二人体姿态估计模型为通过自顶向下的人体姿态估计方法构建的模型,本申请的一些实施例中,第二人体姿态估计模型的构建方法,可具体包括如下步骤:获取人体图像的特征图;根据所述人体图像的特征图,确定所述人体图像中的单个人体图像;对单人人体图像进行单人姿态估计,获取单个人体图像中的人体关键点第二信息。这里,输入的人体图像与输入第一人体姿态估计模型的人体图像为同一批图像,该人体图像中预先设定了单个人体图像的边框和单个人体图像的人体关键点,用于作为模型训练过程中的目标。
第二人体姿态估计模型同样使用卷积层和池化层获得人体图像的特征图,再通过卷积神经网络对人体图像的特征图进行人体目标检测,再对检测得到的每个人体图像进行单人姿态估计,优选地,还可以将每个人体图像从该人体图像中裁剪出来并将这些每个人体图像的尺寸调整为统一大小。对每个人体图像进行单人姿态估计可采用现有的单人姿态估计技术,从而得到每个单人人体图像中的多个人体关键点的位置,该位置信息包含在人体关键点第二信息中。
(b)确定同一区域中所述人体关键点第二信息和对应的所述人体关键点第一信息之间的差距;在此,根据第二人体姿态估计模型得到的人体关键点第二信息的准确性较高,而根据第一人体姿态估计模型得到的人体关键点第一信息的准确性较低,两者信息之间存在一定的差距,具体来说,根据第二人体姿态估计模型得到的人体关键点的位置与根据第一人体姿态估计模型得到的对应人体关键点的位置有偏差;
(c)修正所述人体关键点第一信息,以使所述差距最小,并获取所述差距最小时的人体关键点第一信息;具体来说,是根据预设的损失函数获取同一区域中所述人体关键点第二信息和对应的所述人体关键点第一信息之间的差距,并以预设的损失函数优化方法通过持续的模型训练减少两者的差距;并在两者的差距满足预设的停止训练阈值时,停止模型训练并获取当前的人体关键点第一信息。具体地,根据第二人体姿态估计模型得到的人体关键点的位置较准确,根据第一人体姿态估计模型得到的人体关键点第一信息需要以人体关键点第二信息为目标进行持续训练以优化,具体来说,是建立人体关键点第一信息和对应的人体关键点第二信息之间的损失函数,损失函数例如为两者的交叉熵,再通过损失函数优化方法在持续训练中不断减少损失函数的取值,损失函数优化方法例如为梯度下降法等。如果损失函数的取值小于预先设定的停止训练阈值,该停止训练阈值可由用户根据自己的需要进行设定,则停止第一人体姿态估计模型的训练,并将当前的人体关键点第一信息作为最终的人体关键点第一信息。
4)对所述人体关键点第一信息进行分组,并根据分组结果确定对应的人体姿态信息;在此,人体关键点第一信息有不同的类别信息,例如肩、肘、手、膝、足等,可根据这些类别信息对人体关键点第一信息进行分组;具体来说,可根据人体关键点第一信息的类别对人体关键点第一信息进行聚类,根据聚类分类中的人体关键点第一信息确定对应的人体姿态信息,在确定人体姿态信息时,可根据预设的人体关键点连接规则进行,例如类别为肘的人体关键点只能与类别为肩或手的人体关键点进行连接等。
在步骤S102中,将人体图像输入所述第一人体姿态估计模型,获取所述人体图像中的人体关键点第一信息及人体姿态信息。在此,这里的人体图像是指实际场景中用来进行人体姿态估计的包含多个人体的图像,该图像没有预先对人体关键点进行标注,而是要使用训练好的第一人体姿态估计模型对该图像进行处理,得到该图像中的人体关键点的第一信息及相应的人体姿态信息。
本申请的一些实施例还提供了一种设备,该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,使该设备执行前述人体姿态估计方法。
本申请的一些实施例还提供了一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现前述人体姿态估计方法。
与现有技术相比,本申请提供的方案能够将第二人体姿态估计模型所得到的人体关键点第二信息用于指导第一人体姿态估计模型的模型训练,从而以知识蒸馏的方式将第二人体姿态估计模型学习到的人体关键点知识传授给第一人体姿态估计模型,从而提高了第一人体姿态估计模型的人体关键点估计精度,同时保留了第一姿态估计模型较快的测试速度,能够实现实时的人体姿态估计。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本申请的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此,根据本申请的一个实施例包括一个设备,该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该设备运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (10)
1.一种人体姿态估计方法,其中,该方法包括:
构建第一人体姿态估计模型,其中,所述第一人体姿态估计模型使用第二人体姿态估计模型所输出的人体关键点第二信息指导训练,所述第一人体姿态估计模型使用自底向上的人体姿态估计方法构建,所述第二人体姿态估计模型使用自顶向下的人体姿态估计方法构建;
将人体图像输入所述第一人体姿态估计模型,获取所述人体图像中的人体关键点第一信息及人体姿态信息。
2.根据权利要求1所述的方法,其中,构建第一人体姿态估计模型,包括:
获取所述人体图像的特征图;
根据所述人体图像的特征图,获取所述人体图像中人体关键点第一信息;
根据所述第二人体姿态估计模型输出的人体关键点第二信息,修正对应区域中所述人体关键点第一信息;
对所述人体关键点第一信息进行分组,并根据分组结果确定对应的人体姿态信息。
3.根据权利要求2所述的方法,其中,获取所述人体图像的特征图,包括:
通过卷积层和池化层对所述人体图像进行特征提取,获取所述人体图像的特征图。
4.根据权利要求2所述的方法,其中,根据所述第二人体姿态估计模型输出的人体关键点第二信息,修正对应区域中所述人体关键点第一信息,包括:
将所述人体图像输入所述第二人体姿态估计模型,获取输出的人体关键点第二信息;
确定同一区域中所述人体关键点第二信息和对应的所述人体关键点第一信息之间的差距;
修正所述人体关键点第一信息,以使所述差距最小,并获取所述差距最小时的人体关键点第一信息。
5.根据权利要求4所述的方法,其中,修正所述人体关键点第一信息,以使所述差距最小,并获取所述差距最小时的人体关键点第一信息,包括:
根据预设的损失函数获取同一区域中所述人体关键点第二信息和对应的所述人体关键点第一信息之间的差距,并以预设的损失函数优化方法通过持续的模型训练减少两者的差距;
在两者的差距满足预设的停止训练阈值时,停止模型训练并获取当前的人体关键点第一信息。
6.根据权利要求2所述的方法,其中,对所述人体关键点第一信息进行分组,并根据分组结果确定对应的人体姿态信息,包括:
根据所述人体关键点第一信息的类别对所述人体关键点第一信息进行聚类,根据聚类分类中的所述人体关键点第一信息确定对应的人体姿态信息。
7.根据权利要求1所述的方法,其中,所述第二人体姿态估计模型的构建步骤,包括:
获取所述人体图像的特征图;
通过卷积神经网络对所述人体图像的特征图进行人体目标检测,确定所述人体图像中的单个人体图像;
对所述单人人体图像进行单人姿态估计,获取所述单个人体图像中的人体关键点第二信息。
8.根据权利要求7所述的方法,其中,确定所述人体图像中的单个人体图像之后,还包括:
从所述人体图像中获取多个所述单个人体图像,并将多个所述单个人体图像调整为统一尺寸。
9.一种设备,该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,使该设备执行权利要求1至8中任一项所述的方法。
10.一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911259717.7A CN110889393A (zh) | 2019-12-10 | 2019-12-10 | 人体姿态估计方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911259717.7A CN110889393A (zh) | 2019-12-10 | 2019-12-10 | 人体姿态估计方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110889393A true CN110889393A (zh) | 2020-03-17 |
Family
ID=69751307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911259717.7A Pending CN110889393A (zh) | 2019-12-10 | 2019-12-10 | 人体姿态估计方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889393A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626105A (zh) * | 2020-04-15 | 2020-09-04 | 南京旷云科技有限公司 | 姿态估计方法、装置及电子设备 |
CN112800991A (zh) * | 2021-02-02 | 2021-05-14 | 厦门美图之家科技有限公司 | 一种具有计算量自适应能力的快速人体姿态估计方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345869A (zh) * | 2018-03-09 | 2018-07-31 | 南京理工大学 | 基于深度图像和虚拟数据的驾驶人姿态识别方法 |
CN109657631A (zh) * | 2018-12-25 | 2019-04-19 | 上海智臻智能网络科技股份有限公司 | 人体姿态识别方法及装置 |
CN109902628A (zh) * | 2019-02-28 | 2019-06-18 | 广州大学 | 一种基于视觉物联网的图书馆座位管理*** |
CN109919245A (zh) * | 2019-03-18 | 2019-06-21 | 北京市商汤科技开发有限公司 | 深度学习模型训练方法及装置、训练设备及存储介质 |
CN109948453A (zh) * | 2019-02-25 | 2019-06-28 | 华中科技大学 | 一种基于卷积神经网络的多人姿态估计方法 |
CN110334743A (zh) * | 2019-06-10 | 2019-10-15 | 浙江大学 | 一种基于卷积长短时记忆网络的渐进迁移学习方法 |
CN110472481A (zh) * | 2019-07-01 | 2019-11-19 | 华南师范大学 | 一种睡姿检测方法、装置及设备 |
CN110503077A (zh) * | 2019-08-29 | 2019-11-26 | 郑州大学 | 一种基于视觉的实时人体动作分析方法 |
-
2019
- 2019-12-10 CN CN201911259717.7A patent/CN110889393A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345869A (zh) * | 2018-03-09 | 2018-07-31 | 南京理工大学 | 基于深度图像和虚拟数据的驾驶人姿态识别方法 |
CN109657631A (zh) * | 2018-12-25 | 2019-04-19 | 上海智臻智能网络科技股份有限公司 | 人体姿态识别方法及装置 |
CN109948453A (zh) * | 2019-02-25 | 2019-06-28 | 华中科技大学 | 一种基于卷积神经网络的多人姿态估计方法 |
CN109902628A (zh) * | 2019-02-28 | 2019-06-18 | 广州大学 | 一种基于视觉物联网的图书馆座位管理*** |
CN109919245A (zh) * | 2019-03-18 | 2019-06-21 | 北京市商汤科技开发有限公司 | 深度学习模型训练方法及装置、训练设备及存储介质 |
CN110334743A (zh) * | 2019-06-10 | 2019-10-15 | 浙江大学 | 一种基于卷积长短时记忆网络的渐进迁移学习方法 |
CN110472481A (zh) * | 2019-07-01 | 2019-11-19 | 华南师范大学 | 一种睡姿检测方法、装置及设备 |
CN110503077A (zh) * | 2019-08-29 | 2019-11-26 | 郑州大学 | 一种基于视觉的实时人体动作分析方法 |
Non-Patent Citations (1)
Title |
---|
SHENG WANG等: "Combined Top-Down/Bottom-Up Human Articulated Pose Estimation Using AdaBoost Learning", 《2010 20TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626105A (zh) * | 2020-04-15 | 2020-09-04 | 南京旷云科技有限公司 | 姿态估计方法、装置及电子设备 |
CN111626105B (zh) * | 2020-04-15 | 2024-02-20 | 南京旷云科技有限公司 | 姿态估计方法、装置及电子设备 |
CN112800991A (zh) * | 2021-02-02 | 2021-05-14 | 厦门美图之家科技有限公司 | 一种具有计算量自适应能力的快速人体姿态估计方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111052128B (zh) | 用于检测和定位视频中的对象的描述符学习方法 | |
CN113159056B (zh) | 图像分割方法、装置、设备及存储介质 | |
CN113326851B (zh) | 图像特征提取方法、装置、电子设备及存储介质 | |
CN113743273B (zh) | 基于视频图像目标检测的实时跳绳计数方法、装置和设备 | |
CN111914782A (zh) | 人脸及其特征点的检测方法、装置、电子设备和存储介质 | |
Selvan et al. | Uncertainty quantification in medical image segmentation with normalizing flows | |
CN110889393A (zh) | 人体姿态估计方法及设备 | |
CN113569891A (zh) | 一种神经网络模型的训练数据处理、装置、电子设备及存储介质 | |
Zhang et al. | Joint motion information extraction and human behavior recognition in video based on deep learning | |
Fei et al. | Flow-pose Net: An effective two-stream network for fall detection | |
Yang et al. | Student Classroom Behavior Detection Based on YOLOv7+ BRA and Multi-model Fusion | |
Mazzamuto et al. | Weakly supervised attended object detection using gaze data as annotations | |
CN110910478B (zh) | Gif图生成方法、装置、电子设备及存储介质 | |
CN112241001A (zh) | 雷达人体动作识别方法、装置、电子设备和存储介质 | |
Bühler et al. | Automated hand-raising detection in classroom videos: A view-invariant and occlusion-robust machine learning approach | |
Wang et al. | Lightweight bilateral network for real-time semantic segmentation | |
Li et al. | Location and model reconstruction algorithm for overlapped and sheltered spherical fruits based on geometry | |
Huang et al. | Real‐Time Precise Human‐Computer Interaction System Based on Gaze Estimation and Tracking | |
Pahwa et al. | A survey on object detection performance with different data distributions | |
Palmeri et al. | Sign languages recognition based on neural network architecture | |
Fan et al. | Real-time and accurate meal detection for meal-assisting robots | |
Wang et al. | An object detection algorithm based on the feature pyramid network and single shot multibox detector | |
Iegawa et al. | Loop closure detection in visual slam based on convolutional neural network | |
Cheng et al. | Audio-visual salient object detection | |
Tang et al. | Guest editorial: special issue on human pose estimation and its applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200317 |