申请/专利权人：中国海洋大学

申请日：2024-01-24

公开（公告）日：2024-04-12

公开（公告）号：CN117612267B

主分类号：G06V40/20

分类号：G06V40/20;G06V10/20;G06V10/80;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2024.03.15#实质审查的生效;2024.02.27#公开

摘要：本发明提出了一种高效的人体姿态估计方法及其模型搭建方法，属于计算机视觉技术领域，基于HRNet网络结构，搭建一种轻量化的人体姿态估计模型GSEHRNet网络模型；基于高分辨率的网络，通过并行连接的方式，不断融合不同分辨率分支的特征；在充分利用了HRNet的网络特征的同时，在提取模块中使用一种新的提取模块GSE‑Block和SE‑Neck，能够有效的降低模型的参数量，同时保持较高的识别准确率。本发明提出的GSEHRNet人体姿态估计模型，是一个模型轻量化的过程，充分发挥了GhostModule的轻量型特征，相较于非轻量化模型，本发明在损失了少量精确度的同时，参数量大大降低。

主权项：1.一种高效的人体姿态估计模型的搭建方法，其特征在于，包括以下步骤：步骤1，获取人体姿态估计的原始数据；所述原始数据通过公用数据集网站下载或者自拍获取；步骤2，对步骤1中的原始数据进行预处理，并划分训练集和测试集；步骤3，基于HRNet网络结构，搭建一种轻量化的人体姿态估计模型GSEHRNet网络模型；基于高分辨率的网络，通过并行连接的方式，不断融合不同分辨率分支的特征；首先通过卷积层下采样，然后通过第一层Layer1模块，然后通过三个过渡层Transition结构以及三个特征提取阶段Stage，每通过一个过渡层Transition结构就会新增一个尺度分支，以此来构建多分支的网络结构；后面每个特征提取阶段Stage通过这种多分支的并行结构不断的提取特征信息，并对不同分支的不同分辨率的特征信息进行融合，以提取更多的特征信息；最后再将上述提取后的信息的最高分辨率分支的特征信息作为输出；GSEHRNet网络模型的具体结构为：所述的GSEHRNet网络模型采用重构后的网络模块重新组件网络，以重构后的SE-Neck模块为第一层Layer1的提取网络，通过一次过渡层Transition1之后将网络下采样增加一个分支变为两个分支的网络；所述第一层Layer1就是重复堆叠的SE-Neck模块，所述SE-Neck模块是通过SE注意力机制模块对Bottleneck进行重新构建，用于对输入的信息进行提取和压缩；所述SE-Neck模块构建方法为，在Bottleneck模块的第三个卷积即第二个1×1卷积后加入SE注意力机制模块，以此来构建SE-Neck模块；构建的SE-Neck模块包括Conv2d层、BN层、ReLU激活函数以及SE注意力机制；之后再使用重构后的GSE-Block模块为第二层即网络的第二阶段stage2，对网络特征进行提取，同时融合两个分支的特征信息，然后再通过使用一次过渡层Transition2通过下采样使网络再增加一个分支，变为三个分支，之后再使用重构后的GSE-Block模块为第三层，即网络的第三阶段stage3，对网络特征进行提取，同时融合三个分支的特征信息，然后再通过使用一次过渡层Transition3通过下采样使网络再增加一个分支，变为四个分支，之后再使用重构后的GSE-Block模块为第四层，即网络的第四阶段stage4，对网络特征进行提取，同时融合四个分支的特征信息，然后以最高分辨率分支的结果为输出结果；同时对网络输出的结果使用CBAM注意力机制以保留更多的细节特征；步骤4，使用步骤2中所述的训练集对步骤3中所搭建的GSEHRNet网络模型进行训练；步骤5，使用步骤2中所述的测试集对训练后的GSEHRNet网络模型进行测试，从而获取最终模型。

全文数据：

权利要求：

百度查询： 中国海洋大学 一种高效的人体姿态估计方法及其模型搭建方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD