欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022110871380
申请人: 南京邮电大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于高分辨率上下文网络的拥挤人群姿态估计方法,其特征在于,所述方法的步骤为:

步骤1、获取用于拥挤人群姿态估计的图像数据集,划分为训练集和测试集,并对数据集中所有图像进行统一的数据预处理;

步骤2、构建高分辨率上下文网络HRNeXt,所述高分辨率上下文网络HRNeXt由网络起始层和网络主干组成;

所述网络起始层由4层卷积层构成,实现对网络初始输入图像进行四倍下采样;

所述网络主干包括高分辨率的主分支和若干不同分辨率的并行分支;网络主干的第1阶段由一个高分辨率主分支组成,在每个后续新阶段的开始,由主分支及新的并行分支堆叠构成跨分支网络构建块;在每个跨分支网络构建块内的各个分支上,由高分辨率上下文模块分别地对不同尺度下的特征进行提取与变换;在每个跨分支网络构建块的末端应用层归一化,以对不同分支特征进行统一分布表示,随后进行一次多尺度特征融合,以实现并行分支上不同尺度特征之间的信息交流;

所述高分辨率上下文模块由一个3×3深度动态卷积、一个批归一化层、一个GFFN、一个批归一化层和一个DFFN依次堆叠构成;在其中3×3深度动态卷积的输出处应用GELU激活函数,随后输出的特征进行跨层跳跃连接与其上一层的输出相加;在GFFN和DFFN的输出处也都进行跨层跳跃连接,分别与其各自前一层的批归一化层的输入相加;

步骤3、利用步骤1中经过预处理后的训练集数据,对步骤2所构建的HRNeXt网络进行训练;

步骤4、加载步骤3训练得到的HRNeXt网络模型,在步骤1中经过预处理后的测试集数据上进行测试。

2.根据权利要求1所述的基于高分辨率上下文网络的拥挤人群姿态估计方法,其特征在于,所述网络起始层由一个步长为2的3×3卷积、一个步长为1的3×3深度卷积、一个步长为1的1×1卷积和一个步长为2的3×3深度卷积依次堆叠构成。

3.根据权利要求2所述的基于高分辨率上下文网络的拥挤人群姿态估计方法,其特征在于,所述深度动态卷积利用多卷积核动态融合方法,融合多个专家卷积核的权重参数,根据卷积层的不同输入特征动态地调整每个专家卷积核的置信度分数,以此动态地生成实际参与该层中卷积运算的每个卷积核,而专家卷积核不参与实际卷积运算。

4.根据权利要求3所述的基于高分辨率上下文网络的拥挤人群姿态估计方法,其特征在于,所述多卷积核动态融合方法的实施步骤为:a)网络开始训练前,为卷积层中每个卷积核创建K个专家卷积核,分别具有不同的初始化权重参数;

b)网络开始训练后,卷积层每次前馈计算时的每个输入特征都首先经过一个全局平均池化操作,下采样到1×1的分辨率大小;随后依次经过一个线性层、一个GELU激活层、一个线性层和一个Sigmoid激活层,输出一个长度为K的列向量AK,其中K个元素分别代表K个专家卷积核的置信度分数,计算公式如下:其中Linear()表示线性层,GAP()表示全局平均池化,X表示卷积层的输入特征;

c)使用这K个置信度分数将K个专家卷积核的权重参数进行加权求和,便得到卷积运算所使用的实际卷积核权重参数 ,计算公式如下:其中 表示第i个专家卷积核的权重参数, 表示第i个专家卷积核的置信度分数,K表示专家卷积核的数目。

5.根据权利要求1所述的基于高分辨率上下文网络的拥挤人群姿态估计方法,其特征在于,所述GFFN由一个1×1卷积、一个5×5深度卷积、一个空洞率为3的7×7深度空洞卷积和最后两个1×1卷积依次堆叠构成;在其中第一个1×1卷积的输出处应用GELU激活函数,随后输出的特征进行跨层跳跃连接与后面第二个1×1卷积的输出相乘。

6.根据权利要求1所述的基于高分辨率上下文网络的拥挤人群姿态估计方法,其特征在于,所述DFFN由一个1×1卷积、一个3×3深度动态卷积和一个1×1卷积依次堆叠构成,在其中3×3深度动态卷积的输出处应用GELU激活函数;其中第一个1×1卷积的输出通道为输入通道的4倍,而第二个1×1卷积的输出通道为输入通道的1/4倍。