CN114973333B - 人物交互检测方法、装置、设备以及存储介质 - Google Patents
人物交互检测方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN114973333B CN114973333B CN202210828498.5A CN202210828498A CN114973333B CN 114973333 B CN114973333 B CN 114973333B CN 202210828498 A CN202210828498 A CN 202210828498A CN 114973333 B CN114973333 B CN 114973333B
- Authority
- CN
- China
- Prior art keywords
- decoder
- interaction
- human body
- loss function
- action
- 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.)
- Active
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 131
- 238000001514 detection method Methods 0.000 title claims abstract description 117
- 230000009471 action Effects 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 63
- 230000002452 interceptive effect Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种人物交互检测方法、装置、设备、存储介质以及程序产品,涉及人工智能技术领域,具体涉及图像处理、计算机视觉和深度学习等技术领域,可应用于智慧城市等场景。该方法的一具体实施方式包括:提取待检测图像的全局特征;将全局特征输入至预先训练的基础解码器,得到多个候选三元组;将多个候选三元组分别输入至预先训练的物体检测解码器和预先训练的交互解码器,得到多对人体物体交互信息和多个交互动作信息;将多对人体物体交互信息和多个交互动作信息对应组合,得到多个人体物体动作三元组。该实施方式通过引入基础解码器,解决匹配误差和联合分布的问题。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及图像处理、计算机视觉和深度学习等技术领域,可应用于智慧城市等场景。
背景技术
人物交互检测是定位出图像中所有做动作的人和物体,以及他们的动作关系。人物交互检测广泛应用于视频监控领域,能够对人体行为进行分类和监督。
当前的人物交互检测方法主要分为二阶段和一阶段方法。其中,二阶段方法主要采用先检测再分类的策略。一阶段方法是直接同时预测出<人体,物体,动作>三元组。
发明内容
本公开实施例提出了一种人物交互检测方法、装置、设备、存储介质以及程序产品。
第一方面,本公开实施例提出了一种人物交互检测方法,包括:提取待检测图像的全局特征;将全局特征输入至预先训练的基础解码器,得到多个候选三元组;将多个候选三元组分别输入至预先训练的物体检测解码器和预先训练的交互解码器,得到多对人体物体交互信息和多个交互动作信息;将多对人体物体交互信息和多个交互动作信息对应组合,得到多个人体物体动作三元组。
第二方面,本公开实施例提出了一种人物交互检测装置,包括:提取模块,被配置成提取待检测图像的全局特征;第一解码模块,被配置成将全局特征输入至预先训练的基础解码器,得到多个候选三元组;第二解码模块,被配置成将多个候选三元组分别输入至预先训练的物体检测解码器和预先训练的交互解码器,得到多对人体物体交互信息和多个交互动作信息;组合模块,被配置成将多对人体物体交互信息和多个交互动作信息对应组合,得到多个人体物体动作三元组。
第三方面,本公开实施例提出了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
第四方面,本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
第五方面,本公开实施例提出了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开实施例提供的人物交互检测方法,通过引入基础解码器,将物体检测解码与交互解码器联系起来,省去匹配过程。同时,基础解码器得到的三元组表达,能够将检测和交互两个任务的联合分布进行建模。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
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,本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开的人物交互检测方法的一个实施例的流程图;
图2是根据本公开的人物交互检测方法的又一个实施例的流程图;
图3是人物交互检测模型的结构示意图;
图4是根据本公开的人物交互检测装置的一个实施例的结构示意图;
图5是用来实现本公开实施例的人物交互检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的人物交互检测方法的一个实施例的流程100。该人物交互检测方法包括以下步骤:
步骤101,提取待检测图像的全局特征。
在本实施例中,人物交互检测方法的执行主体可以提取待检测图像的全局特征。其中,待检测图像可以是需要检测人体、物体及其动作关系的任意图像。全局特征可以是待检测图像的整体属性,包括但不限于颜色特征、纹理特征和形状特征等等。
步骤102,将全局特征输入至预先训练的基础解码器,得到多个候选三元组。
在本实施例中,上述执行主体可以将全局特征输入至预先训练的基础解码器,得到多个候选三元组。
其中,基础解码器可以将输入的全局特征解码成三元组表达。具体地,基础解码器可以利用多个三元组查询(query)进行特征提取,得到多个候选三元组,一个三元组查询对应一个候选三元组。候选三元组可以是<人体,物体,动作>三元组。
在一些实施例中,基础解码器可以包括第一预设数目个解码器层,每个解码器层可以包括交互注意力层、自注意力层和前向层等,用于完成一次解码操作。
需要说明的是,基础解码器包括的解码器层的数目可以根据需要进行设置。通常,应用场景越复杂,基础解码器包括的解码器层的数目越多。在本实施例中,解码器层的数目可以例如设置成2个。基础解码器的三元组查询的数目也可以根据需要进行设置,在本实施例中,三元组查询的数目可以例如设置成100个。
步骤103,将多个候选三元组分别输入至预先训练的物体检测解码器和预先训练的交互解码器,得到多对人体物体交互信息和多个交互动作信息。
在本实施例中,上述执行主体可以将多个候选三元组分别输入至预先训练的物体检测解码器和预先训练的交互解码器,得到多对人体物体交互信息和多个交互动作信息。
其中,物体检测解码器可以将输入的候选三元组解码成人体物体交互信息。交互解码器可以将输入的候选三元组解码成交互动作信息。具体地,物体检测解码器可以利用一套查询(query)来进行查找,每个查询可以检测出一对人物交互配对,而不是独立的物体或人体。同理,交互解码器可以利用另一套查询(query)来进行查找,每个查询可以检测出一个交互动作。人体物体交互信息可以包括人体所在的位置、物体所在的位置和物体类别等等。交互动作信息可以包括交互动作类别。
在一些实施例中,物体检测解码器可以包括第二预设数目个解码器层,交互解码器可以包括第三预设数目个解码器层,每个解码器层可以包括交互注意力层、自注意力层和前向层等,用于完成一次解码操作。
需要说明的是,物体检测解码器和交互解码器包括的解码器层的数目可以根据需要进行设置。通常,应用场景越复杂,物体检测解码器和交互解码器包括的解码器层的数目越多。在本实施例中,物体检测解码器的解码器层的数目可以例如设置成4个,交互解码器的解码器层的数目也可以设置成例如4个。
步骤104,将多对人体物体交互信息和多个交互动作信息对应组合,得到多个人体物体动作三元组。
在本实施例中,上述执行主体可以将多对人体物体交互信息和多个交互动作信息对应组合,得到多个人体物体动作三元组。
通常,来自于同一候选三元组的人体物体交互信息与交互动作信息可以对应组合,生成一个<人体,物体,动作>三元组。
由于物体检测解码器检测出的人体和物体与基础解码器的候选三元组可以有一个匹配,交互解码器检测出的交互动作与基础解码器的候选三元组可以有一个匹配,从而实现人体物体交互信息与交互动作信息的配对,不需要额外的配对过程,省去了匹配引入的误差。
本公开实施例提供的人物交互检测方法,解决了匹配误差和联合分布的问题。本方法的核心是通过引入基础解码器,将物体检测解码与交互解码器联系起来,省去匹配过程。同时,基础解码器得到的三元组表达,能够将检测和交互两个任务的联合分布进行建模。
继续参考图2,其示出了根据本公开的人物交互检测方法的又一个实施例的流程200。该人物交互检测方法包括以下步骤:
步骤201,将待检测图像输入至残差网络,得到待检测图像的像素特征。
在本实施例中,人物交互检测方法的执行主体可以将待检测图像输入至残差网络,得到待检测图像的像素特征。
这里,采用残差网络来实现图像像素特征的提取,残差网络可以选用ResNet(Residual Neural Network,残差网络)50或ResNet101等。其中,像素特征可以待检测图像的像素点的属性,通常以矩阵的形式进行表示。
步骤202,将像素特征输入至图像编码器,得到全局特征。
在本实施例中,上述执行主体可以将像素特征输入至图像编码器,得到全局特征。
通常,采用Transformer的编码器可以对图像像素特征进行进一步编码,得到全局特征。具体地,Transformer的编码器通过对图像像素特征组成的令牌(tokens)进行自注意力机制建模,得到图像的全局表征。其中,令牌通常以向量的形式进行表示,是通过对图像像素特征进行展开得到的。
步骤203,利用基础解码器的多个三元组查询,对全局特征进行特征提取,得到多个候选三元组。
在本实施例中,上述执行主体可以利用基础解码器的多个三元组查询,对全局特征进行特征提取,得到多个候选三元组。
其中,基础解码器可以将输入的全局特征解码成粗糙的三元组表达。具体地,基础解码器可以利用多个三元组查询(query)进行特征提取,得到多个候选三元组,一个三元组查询对应一个候选三元组。候选三元组可以是粗糙的<人体,物体,动作>三元组。
由于基础解码器的每个三元组查询能够解码出一个候选三元组。为了加强特征表达,采用辅助损失函数进行监督,作用于基础解码器的每个解码器层的输出中。具体地,基础解码器可以采用人体检测框损失函数、物体检测框损失函数和动作分类损失函数进行训练获得。在一些实施例中,计算人体检测框损失函数、物体检测框损失函数和动作分类损失函数的加权和,得到基础解码器的总损失函数,基于基础解码器的总损失函数训练获得基础解码器。其中,人体检测框损失函数可以用于表征预测人体边界框与真实人体边界框的差异。例如,人体检测框损失函数可以通过计算预测人体边界框与真实人体边界框的绝对距离和交并比的加权和得到。物体检测框损失函数可以用于表征预测物体边界框与真实物体边界框的差异。例如,物体检测框损失函数可以通过计算预测物体边界框与真实物体边界框的绝对距离和交并比的加权和,再结合物体类别的交叉熵损失得到。动作分类损失函数可以用于表征预测动作类别与真实动作类别的差异。例如,动作分类损失函数可以通过计算预测动作类别与真实动作类别的焦点损失得到。
步骤204,将多个候选三元组作为物体检测解码器的初始化特征,预测多个候选三元组的人体和物体所在的位置以及物体类别。
在本实施例中,上述执行主体可以将多个候选三元组作为物体检测解码器的初始化特征,来预测多个候选三元组的人体和物体所在的位置以及物体类别。
其中,物体检测解码器可以将输入的粗糙的候选三元组解码成细化的人体和物体所在的位置以及物体类别。具体地,物体检测解码器可以利用一套查询(query)来进行查找,每个查询可以检测出一对人物交互配对,而不是独立的物体或人体。通过初始化特征的方式,实现了由粗到细的过程。
在物体检测解码器中,同样采用了辅助损失函数进行监督,作用于物体检测解码器的每个解码器层。具体地,物体检测解码器可以采用人体检测框损失函数和物体检测框损失函数进行训练获得。在一些实施例中,计算人体检测框损失函数和物体检测框损失函数的加权和,得到物体检测解码器的总损失函数,基于物体检测解码器的总损失函数训练得到物体检测解码器。
步骤205,将多个候选三元组作为交互解码器的初始化特征,预测多个候选三元组的交互动作类别。
在本实施例中,上述执行主体可以将多个候选三元组作为交互解码器的初始化特征,来预测多个候选三元组的交互动作类别。
其中,交互解码器可以将输入的粗糙的候选三元组解码成细化的交互动作类别。具体地,交互解码器可以利用另一套查询(query)来进行查找,每个查询可以检测出一个交互动作。通过初始化特征的方式,实现了由粗到细的过程。
在交互解码器中,同样采用了辅助损失函数进行监督,作用于交互解码器的每个解码器层。具体地,交互解码器可以采用动作分类损失函数进行训练获得。
需要说明的是,在模型优化时,由于物体检测解码器和交互解码器对应于基础解码器中的同一个候选三元组,我们在将输出与标注进行匈牙利匹配时,是将它们的输出组合起来,成为新的三元组,再进行匹配。
步骤206,将多对人体物体交互信息和多个交互动作信息对应组合,得到多个人体物体动作三元组。
在本实施例中,上述执行主体可以将多对人体物体交互信息和多个交互动作信息对应组合,得到多个人体物体动作三元组。
通常,来自于同一候选三元组的人体物体交互信息与交互动作信息可以对应组合,生成一个细化的<人体,物体,动作>三元组,实现了由粗到细的过程。
从图2中可以看出,与图1对应的实施例相比,本实施例中的人物交互检测方法的流程200突出了解码步骤。由此,本实施例描述的方案提供了一种由粗到细优化的解耦的人物交互检测方法,通过初始化特征的方式,实现了由粗到细的过程。
为了便于理解,图3示出了人物交互检测模型的结构示意图。如图3所示,人物交互检测模型包括残差网络301、图像编码器302、基础解码器303、物体检测解码器304和交互解码器305。将图像输入至残差网络301,得到像素特征。将像素特征输入至图像编码器302,得到全局特征。将全局特征输入至基础解码器303,得到粗糙的候选三元组。将候选三元组分别输入至物体检测解码器304和交互解码器305分别进行初始化特征,物体检测解码器304输出细化的人***置、物***置和物体类别,交互解码器305输出细化的交互动作类别。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种人物交互检测装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的人物交互检测装置400可以包括:提取模块401、第一解码模块402、第二解码模块403和组合模块404。其中,提取模块401,被配置成提取待检测图像的全局特征;第一解码模块402,被配置成将全局特征输入至预先训练的基础解码器,得到多个候选三元组;第二解码模块403,被配置成将多个候选三元组分别输入至预先训练的物体检测解码器和预先训练的交互解码器,得到多对人体物体交互信息和多个交互动作信息;组合模块404,被配置成将多对人体物体交互信息和多个交互动作信息对应组合,得到多个人体物体动作三元组。
在本实施例中,人物交互检测装置400中:提取模块401、第一解码模块402、第二解码模块403和组合模块404的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101-104的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,基础解码器包括第一预设数目个解码器层,物体检测解码器包括第二预设数目个解码器层,交互解码器包括第三预设数目个解码器层,每个解码器层包括交互注意力层、自注意力层和前向层。
在本实施例的一些可选的实现方式中,基础解码器采用人体检测框损失函数、物体检测框损失函数和动作分类损失函数进行训练获得,物体检测解码器采用人体检测框损失函数和物体检测框损失函数进行训练获得,交互解码器采用动作分类损失函数进行训练获得,其中,人体检测框损失函数用于表征预测人体边界框与真实人体边界框的差异,物体检测框损失函数用于表征预测物体边界框与真实物体边界框的差异,动作分类损失函数用于表征预测动作类别与真实动作类别的差异。
在本实施例的一些可选的实现方式中,人体检测框损失函数通过计算预测人体边界框与真实人体边界框的绝对距离和交并比的加权和得到,物体检测框损失函数通过计算预测物体边界框与真实物体边界框的绝对距离和交并比的加权和,再结合物体类别的交叉熵损失得到,动作分类损失函数通过计算预测动作类别与真实动作类别的焦点损失得到。
在本实施例的一些可选的实现方式中,第一解码模块402进一步被配置成:利用基础解码器的多个三元组查询对全局特征进行特征提取,得到多个候选三元组。
在本实施例的一些可选的实现方式中,第二解码模块403进一步被配置成:将多个候选三元组作为物体检测解码器的初始化特征,预测多个候选三元组的人体和物体所在的位置以及物体类别;将多个候选三元组作为交互解码器的初始化特征,预测多个候选三元组的交互动作类别。
在本实施例的一些可选的实现方式中,提取模块401进一步被配置成:将待检测图像输入至残差网络,得到待检测图像的像素特征;将像素特征输入至图像编码器,得到全局特征。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如人物交互检测方法。例如,在一些实施例中,人物交互检测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的人物交互检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行人物交互检测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以是分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提供的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (16)
1.一种人物交互检测方法,包括:
提取待检测图像的全局特征;
将所述全局特征输入至预先训练的基础解码器,得到多个候选三元组,其中,所述候选三元组是<人体,物体,动作>三元组;
将所述多个候选三元组分别输入至预先训练的物体检测解码器和预先训练的交互解码器,得到多对人体物体交互信息和多个交互动作信息,其中,所述物体检测解码器用于检测人物交互配对;
将所述多对人体物体交互信息和所述多个交互动作信息对应组合,得到多个人体物体动作三元组,其中,来自于同一候选三元组的人体物体交互信息与交互动作信息对应组合。
2.根据权利要求1所述的方法,其中,所述基础解码器包括第一预设数目个解码器层,所述物体检测解码器包括第二预设数目个解码器层,所述交互解码器包括第三预设数目个解码器层,每个解码器层包括交互注意力层、自注意力层和前向层。
3.根据权利要求1或2所述的方法,其中,所述基础解码器采用人体检测框损失函数、物体检测框损失函数和动作分类损失函数进行训练获得,所述物体检测解码器采用人体检测框损失函数和物体检测框损失函数进行训练获得,所述交互解码器采用动作分类损失函数进行训练获得,其中,所述人体检测框损失函数用于表征预测人体边界框与真实人体边界框的差异,所述物体检测框损失函数用于表征预测物体边界框与真实物体边界框的差异,所述动作分类损失函数用于表征预测动作类别与真实动作类别的差异。
4.根据权利要求3所述的方法,其中,所述人体检测框损失函数通过计算所述预测人体边界框与所述真实人体边界框的绝对距离和交并比的加权和得到,所述物体检测框损失函数通过计算所述预测物体边界框与所述真实物体边界框的绝对距离和交并比的加权和,再结合物体类别的交叉熵损失得到,所述动作分类损失函数通过计算所述预测动作类别与所述真实动作类别的焦点损失得到。
5.根据权利要求1-4中任一项所述的方法,其中,所述将所述全局特征输入至基础解码器,得到多个候选三元组,包括:
利用所述基础解码器的多个三元组查询,对所述全局特征进行特征提取,得到所述多个候选三元组。
6.根据权利要求1-5中任一项所述的方法,其中,所述将所述多个候选三元组分别输入至物体检测解码器和交互解码器,得到多对人体物体交互信息和多个交互动作信息,包括:
将所述多个候选三元组作为所述物体检测解码器的初始化特征,预测所述多个候选三元组的人体和物体所在的位置以及物体类别;
将所述多个候选三元组作为所述交互解码器的初始化特征,预测所述多个候选三元组的交互动作类别。
7.根据权利要求1-6中任一项所述的方法,其中,所述提取待检测图像的全局特征,包括:
将所述待检测图像输入至残差网络,得到所述待检测图像的像素特征;
将所述像素特征输入至图像编码器,得到所述全局特征。
8.一种人物交互检测装置,包括:
提取模块,被配置成提取待检测图像的全局特征;
第一解码模块,被配置成将所述全局特征输入至预先训练的基础解码器,得到多个候选三元组,其中,所述候选三元组是<人体,物体,动作>三元组;
第二解码模块,被配置成将所述多个候选三元组分别输入至预先训练的物体检测解码器和预先训练的交互解码器,得到多对人体物体交互信息和多个交互动作信息,其中,所述物体检测解码器用于检测人物交互配对;
组合模块,被配置成将所述多对人体物体交互信息和所述多个交互动作信息对应组合,得到多个人体物体动作三元组,其中,来自于同一候选三元组的人体物体交互信息与交互动作信息对应组合。
9.根据权利要求8所述的装置,其中,所述基础解码器包括第一预设数目个解码器层,所述物体检测解码器包括第二预设数目个解码器层,所述交互解码器包括第三预设数目个解码器层,每个解码器层包括交互注意力层、自注意力层和前向层。
10.根据权利要求8或9所述的装置,其中,所述基础解码器采用人体检测框损失函数、物体检测框损失函数和动作分类损失函数进行训练获得,所述物体检测解码器采用人体检测框损失函数和物体检测框损失函数进行训练获得,所述交互解码器采用动作分类损失函数进行训练获得,其中,所述人体检测框损失函数用于表征预测人体边界框与真实人体边界框的差异,所述物体检测框损失函数用于表征预测物体边界框与真实物体边界框的差异,所述动作分类损失函数用于表征预测动作类别与真实动作类别的差异。
11.根据权利要求10所述的装置,其中,所述人体检测框损失函数通过计算所述预测人体边界框与所述真实人体边界框的绝对距离和交并比的加权和得到,所述物体检测框损失函数通过计算所述预测物体边界框与所述真实物体边界框的绝对距离和交并比的加权和,再结合物体类别的交叉熵损失得到,所述动作分类损失函数通过计算所述预测动作类别与所述真实动作类别的焦点损失得到。
12.根据权利要求8-11中任一项所述的装置,其中,所述第一解码模块进一步被配置成:
利用所述基础解码器的多个三元组查询,对所述全局特征进行特征提取,得到所述多个候选三元组。
13.根据权利要求8-12中任一项所述的装置,其中,所述第二解码模块进一步被配置成:
将所述多个候选三元组作为所述物体检测解码器的初始化特征,预测所述多个候选三元组的人体和物体所在的位置以及物体类别;
将所述多个候选三元组作为所述交互解码器的初始化特征,预测所述多个候选三元组的交互动作类别。
14.根据权利要求8-13中任一项所述的装置,其中,所述提取模块进一步被配置成:
将所述待检测图像输入至残差网络,得到所述待检测图像的像素特征;
将所述像素特征输入至图像编码器,得到所述全局特征。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210828498.5A CN114973333B (zh) | 2022-07-13 | 2022-07-13 | 人物交互检测方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210828498.5A CN114973333B (zh) | 2022-07-13 | 2022-07-13 | 人物交互检测方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114973333A CN114973333A (zh) | 2022-08-30 |
CN114973333B true CN114973333B (zh) | 2023-07-25 |
Family
ID=82968582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210828498.5A Active CN114973333B (zh) | 2022-07-13 | 2022-07-13 | 人物交互检测方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114973333B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117953589A (zh) * | 2024-03-27 | 2024-04-30 | 武汉工程大学 | 一种交互动作检测方法、***、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663915A (zh) * | 2022-03-04 | 2022-06-24 | 西安交通大学 | 基于Transformer模型的图像人-物交互定位方法及*** |
CN114721509A (zh) * | 2022-03-08 | 2022-07-08 | 五邑大学 | 基于人体动作识别的人机交互方法及*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7259747B2 (en) * | 2001-06-05 | 2007-08-21 | Reactrix Systems, Inc. | Interactive video display system |
CN109145931B (zh) * | 2018-09-03 | 2019-11-05 | 百度在线网络技术(北京)有限公司 | 物体检测方法、装置及存储介质 |
US11036975B2 (en) * | 2018-12-14 | 2021-06-15 | Microsoft Technology Licensing, Llc | Human pose estimation |
US11954599B2 (en) * | 2020-06-18 | 2024-04-09 | Institute Of Automation, Chinese Academy Of Sciences | Bi-directional interaction network (BINet)-based person search method, system, and apparatus |
CN114005178B (zh) * | 2021-10-29 | 2023-09-01 | 北京百度网讯科技有限公司 | 人物交互检测方法、神经网络及其训练方法、设备和介质 |
CN114004985B (zh) * | 2021-10-29 | 2023-10-31 | 北京百度网讯科技有限公司 | 人物交互检测方法、神经网络及其训练方法、设备和介质 |
CN114550223B (zh) * | 2022-04-25 | 2022-07-12 | 中国科学院自动化研究所 | 人物交互检测方法、装置及电子设备 |
-
2022
- 2022-07-13 CN CN202210828498.5A patent/CN114973333B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663915A (zh) * | 2022-03-04 | 2022-06-24 | 西安交通大学 | 基于Transformer模型的图像人-物交互定位方法及*** |
CN114721509A (zh) * | 2022-03-08 | 2022-07-08 | 五邑大学 | 基于人体动作识别的人机交互方法及*** |
Non-Patent Citations (1)
Title |
---|
基于深度学习的结构化图像标注研究;姚义;王诗珂;陈希豪;林宇翩;;电脑知识与技术(第33期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114973333A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657390B (zh) | 文本检测模型的训练方法和检测文本方法、装置和设备 | |
CN113222916B (zh) | 采用目标检测模型检测图像的方法、装置、设备和介质 | |
CN112966742A (zh) | 模型训练方法、目标检测方法、装置和电子设备 | |
CN114494784A (zh) | 深度学习模型的训练方法、图像处理方法和对象识别方法 | |
CN113360700A (zh) | 图文检索模型的训练和图文检索方法、装置、设备和介质 | |
CN113902010A (zh) | 分类模型的训练方法和图像分类方法、装置、设备和介质 | |
CN113901909A (zh) | 基于视频的目标检测方法、装置、电子设备和存储介质 | |
CN114511743B (zh) | 检测模型训练、目标检测方法、装置、设备、介质及产品 | |
CN116363459A (zh) | 目标检测方法、模型训练方法、装置、电子设备及介质 | |
CN114973333B (zh) | 人物交互检测方法、装置、设备以及存储介质 | |
CN114821063A (zh) | 语义分割模型的生成方法及装置、图像的处理方法 | |
CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
CN115097941B (zh) | 人物交互检测方法、装置、设备以及存储介质 | |
CN117746125A (zh) | 图像处理模型的训练方法、装置及电子设备 | |
CN114663980B (zh) | 行为识别方法、深度学习模型的训练方法及装置 | |
CN114419327B (zh) | 图像检测方法和图像检测模型的训练方法、装置 | |
CN113989569B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN113139483B (zh) | 人体行为识别方法、装置、设备、存储介质以及程序产品 | |
CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 | |
US20220222941A1 (en) | Method for recognizing action, electronic device and storage medium | |
CN113609951B (zh) | 目标检测模型的训练和目标检测方法、装置、设备及介质 | |
CN113361402B (zh) | 识别模型的训练方法、确定准确率的方法、装置和设备 | |
CN113128601B (zh) | 分类模型的训练方法和对图像进行分类的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |