[發明專利]數據處理、姿態預測方法、設備及存儲介質

在審

• 申請號: 202010549593.2
• 申請日: 2020-06-16
• 公開（公告）號: CN113807150A
• 公開（公告）日: 2021-12-17
• 發明（設計）人: 王建國;汪彪;李海洋
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京太合九思知識產權代理有限公司 11610
• 代理人: 張愛;劉戈

1.一種數據處理方法，其特征在于，包括：

響應來自客戶端對第一接口的調用請求，確定所述第一接口對應的模型訓練服務資源，其中，所述模型訓練服務資源包括樣本圖像；

對所述樣本圖像進行標注，得到第一標注結果；

將標注后的樣本圖像輸入神經網絡模型，獲得所述神經網絡的輸出結果；

根據所述輸出結果進行誤差擬合，以計算所述第一標注結果的標注誤差；

根據所述第一標注結果和所述標注誤差，對所述神經網絡模型進行優化，得到結果模型；

向所述客戶端返回所述結果模型。

2.根據權利要求1所述的方法，其特征在于，所述第一標注結果，包括：所述樣本圖像上標注的對象的姿態，所述輸出結果為姿態預測結果，所述結果模型為姿態預測模型。

3.根據權利要求2所述的方法，其特征在于，根據所述第一標注結果和所述標注誤差，對所述神經網絡模型進行優化，得到結果模型，包括：

根據所述對象的姿態和所述標注誤差，構造損失函數；

根據所述損失函數對所述神經網絡模型進行優化；

在所述損失收斂到指定范圍時，輸出優化得到的神經網絡模型，作為所述姿態預測模型。

4.一種姿態預測方法，其特征在于，包括：

獲取包含第一對象的待處理圖像；

將所述待處理圖像輸入姿態預測模型，以獲得所述第一對象的姿態預測結果；其中，所述姿態預測模型，根據自動標注的樣本圖像和預測得到的所述樣本圖像的標注誤差訓練得到；

展示所述第一對象的姿態預測結果。

5.一種數據處理方法，其特征在于，包括：

在樣本圖像上標注第一對象的第一姿態；

將所述樣本圖像輸入姿態預測模型，以獲得所述第一對象的姿態預測結果；

根據所述姿態預測結果進行誤差擬合，以估算所述第一姿態的標注誤差；

根據所述第一姿態和所述標注誤差，對所述姿態預測模型進行優化。

6.根據權利要求5所述的方法，其特征在于，還包括：

在所述姿態預測模型的損失收斂到指定范圍時，輸出所述姿態預測模型；

將待處理圖像輸入姿態預測模型，以對所述待處理圖像中的第二對象進行姿態預估。

7.根據權利要求5所述的方法，其特征在于，在樣本圖像上標注第一對象的第一姿態，包括：

從所述樣本圖像中，識別所述第一對象的姿態關鍵點；

采用3DMM算法對所述第一對象的姿態關鍵點進行計算，以在所述樣本圖像上標注所述第一對象的第一姿態。

8.根據權利要求5所述的方法，其特征在于，所述姿態預測結果，包括：姿態分類概率以及根據所述姿態分類概率識別出的第二姿態。

9.根據權利要求8所述的方法，其特征在于，根據所述姿態預測結果進行誤差擬合，以估算所述第一姿態的標注誤差，包括：

將所述姿態分類概率和所述第二姿態輸入誤差擬合網絡；

在所述誤差擬合網絡中，根據所述姿態分類概率，計算分類標注誤差，以及，根據所述第二姿態，計算回歸標注誤差。

10.根據權利要求9所述的方法，其特征在于，將所述姿態分類概率和所述第二姿態輸入誤差擬合網絡，包括：

將所述姿態分類概率中的三個空間維度上的分類概率分別輸入所述誤差擬合網絡中的三個全連接層；

在所述誤差擬合網絡中，根據所述姿態分類概率，計算分類標注誤差，包括：

針對所述三個全連接層中的第一全連接層，根據所述第一全連接層的模型參數，對輸入的第一維度上的分類概率進行計算，得到第一維度的分類標注誤差。

11.根據權利要求10所述的方法，其特征在于，還包括：

根據所述第一姿態和所述姿態分類概率，確定混淆矩陣；

根據所述混淆矩陣，確定所述第一全連接層的初始的模型參數。