[发明专利]最优网络结构化的轻量化人体姿态估计方法

权利要求书

1.最优网络结构化的轻量化人体姿态估计方法，其特征在于：

构建整体网络结构，所述整体网络结构包括五个模块，每个模块包括两个子模块；

整体网络结构输入数据，进行网络最优搜索，获得最优的轻量化网络结构；所述最优的轻量化网络结构是通过选取最优网络结构化的候选模块、制定搜索方法以及选择性能评估策略获取的；

将测试集输入到最优的轻量化网络结构中，输出人体姿态估计的热力图；

所述候选模块为CPB模块或MobileNet或ShuffleNet或Xception，所述CPB模块为一个采用可分离卷积和通道参数削减的模块。

2.根据权利要求1所述的最优网络结构化的轻量化人体姿态估计方法，其特征在于，所述CPB模块为：将输入的特征图先通过1×1卷积进行通道缩减，接下来通过BN层和ReLU激活函数，接着采用3×3的深度可分离卷积，再使用1×1卷积，然后再通过BN层和ReLU激活函数，最后进行通道参数削减和融合。

3.根据权利要求2所述的最优网络结构化的轻量化人体姿态估计方法，其特征在于，所述通道参数削减和融合具体为：输入的特征图输入短链接，通过1×1卷积削减α倍，最后将通道参数削减与短链接通道通过add操作融合。

4.根据权利要求3所述的最优网络结构化的轻量化人体姿态估计方法，其特征在于，在通道参数削减过程中，首先通过全局平均池化，获取全局通道特征，再通过两个全连接层，接着通过Sigmoid激活函数得到一个通道权重，然后进行Scale操作，Scale操作后的特征图再通过1x1卷积。

5.根据权利要求4所述的最优网络结构化的轻量化人体姿态估计方法，其特征在于，在Scale操作时，设置一个阈值γ，当通道权重小于阈值γ时，把通道权重设为零，若通道权重大于等于阈值γ时，通道权重保持Sigmoid激活函数得到的数值。

6.根据权利要求1所述的最优网络结构化的轻量化人体姿态估计方法，其特征在于，所述五个模块包括模块1、模块2、模块3、模块4和模块5，模块1包括子模块11和子模块12，模块2包括子模块21和子模块22，模块3包括子模块31和子模块32，模块4包括子模块41和子模块42，模块5包括子模块51和子模块52；子模块11、子模块21、子模块31、子模块41和子模块51依次进行卷积操作；输入、子模块11、子模块21、子模块31、子模块41、子模块12和子模块22，均通过下采样，将分辨率降低为1/2且通道数变为上一模块输出通道数的两倍，子模块12、子模块22、子模块32、子模块42和子模块52，均通过上采样，提升分辨率，且保持通道数不变。

7.根据权利要求1所述的最优网络结构化的轻量化人体姿态估计方法，其特征在于，所述选择性能评估策略是在损失函数上添加耗时的项，所述损失函数为：

其中：W是每个候选模块的参数，Q是每个候选模块的权重，x_i是输入图片，y_i是第i张图片的标签，p(x_i，W，Q)是网络对x_i的预测，λ是常数，且t_j为第j个候选模块在嵌入式设备上的耗时。

8.根据权利要求7所述的最优网络结构化的轻量化人体姿态估计方法，其特征在于，所述最优的轻量化网络结构获取过程中，利用训练集训练整体网络结构，梯度下降过程中，通过反向传播，更新损失函数中的权重Q，每个子模块保留权重最大的候选模块，把保留的候选模块连接起来，最终可以搜索到最优的轻量化网络结构。