[发明专利]一种用于提取人体骨骼特征的模型训练方法及装置

说明书

本申请公开了一种用于提取人体骨骼特征的模型训练方法及装置，可以获取第一骨骼数据集合和第二骨骼数据集合，第一骨骼数据集合和第二骨骼数据集合均包括N笔骨骼数据，第一骨骼数据集合和第二骨骼数据集合为采用不同的数据增强方式对N笔初始骨骼数据进行数据增强后得到的。基于第一骨骼数据集合和第二骨骼数据集合，训练用于提取人体骨骼特征的模型。在训练模型时，对第一初始骨骼数据的损失的计算方式进行了改进，改进后的损失计算方式，强化了第一相似度对第一初始骨骼数据的损失的影响，从而使得所计算得到的第一初始骨骼数据的损失更加容易收敛，进一步地，使得模型的损失更加容易收敛，从而提升了模型的训练效率。

技术领域

本申请涉及数据处理领域，特别是涉及一种用于提取人体骨骼特征的模型训练方法及装置。

背景技术

目前，可以通过自监督训练的方式训练用于提取特征例如提取人体骨骼特征的模型。其中，自监督训练指的是训练模型的过程中不使用训练样本的人为标注的标签。

对比学习是自监督训练的一种方式，所谓对比学习，指的是：对一个样本采用两种不同的数据增强方式进行处理，得到两个增强后的样本。并利用这两个增强后的样本来训练模型。可以理解的是，由于这两个增强后的样本是由同一个样本进行数据增强处理得到的，因此虽然这两个增强后的样本的内容不一样，但是这两个增强后的样本的语义是一致的。因此，若模型针对这两个增强后的样本输出的特征的相似度足够高，而和其它样本（或其它样本经过不同增强方式增强后的样本）的相似度足够低，则该模型就具备了提取样本特征的能力。

目前，可以采用对比学习的方式训练用于提取特征的模型，但是，采用对比学习的方式训练用于提取特征的模型，训练效率低下。因此，急需一种方案，能够解决上述问题。

发明内容

本申请所要解决的技术问题是：采用对比学习的方式训练用于提取特征的模型，训练效率低下，提供一种用于提取特征的模型训练方法及装置。

第一方面，本申请实施例提供了一种用于提取人体骨骼特征的模型训练方法，所述方法包括：

获取第一骨骼数据集合和第二骨骼数据集合，所述第一骨骼数据集合和所述第二骨骼数据集合均包括N笔骨骼数据，所述第一骨骼数据集合为采用第一数据增强方式对N笔初始骨骼数据进行数据增强后得到的，所述第二骨骼数据集合为采用第二数据增强方式对所述N笔初始骨骼数据进行数据增强后得到的；

基于所述第一骨骼数据集合和所述第二骨骼数据集合，训练用于提取人体骨骼特征的模型；其中：

所述第一骨骼数据集合经由所述模型得到第一骨骼特征集合，所述第二骨骼数据集合经由所述模型得到第二骨骼特征集合，所述第一骨骼特征集合和所述第二骨骼特征集合均包括N个骨骼特征；所述模型的损失，基于所述N笔初始骨骼数据的损失确定，所述N笔初始骨骼数据包括第一初始骨骼数据，所述第一初始骨骼数据的损失，根据第一骨骼特征和第二骨骼特征的第一相似度、以及所述第一相似度对应的权重确定，所述第一骨骼特征为所述第一骨骼特征集合中与所述第一初始骨骼数据对应的特征，所述第二骨骼特征为所述第二骨骼特征集合中与所述第一初始骨骼数据对应的特征，并且，所述第一相似度对应的权重大于所述第一骨骼特征与第三骨骼特征的相似度对应的权重，所述第一相似度对应的权重大于所述第二骨骼特征与第四骨骼特征的相似度对应的权重，其中，所述第三骨骼特征为2*N个骨骼特征中除所述第二骨骼特征之外的其它（2*N-1）个骨骼特征中的任意一个骨骼特征，所述第四骨骼特征为所述2*N个骨骼特征中除所述第一骨骼特征之外的其它（2*N-1）个骨骼特征中的任意一个骨骼特征，所述2*N个骨骼特征包括所述第一骨骼特征集合中的N个骨骼特征和所述第二骨骼特征集合中的N个骨骼特征。

可选的，

所述第一初始骨骼数据的损失，根据所述第一相似度、所述第一相似度对应的权重、以及所述第一骨骼特征和所述2N个骨骼特征中除所述第一骨骼特征之外的其它（2N-1）个骨骼特征中各个骨骼特征分别对应的相似度、以所述各个骨骼特征分别对应的相似度的权重确定。