图像处理方法、装置、电子设备和介质与流程

本公开涉及人工智能领域，具体涉及计算机视觉和深度学习技术，具体可用于智慧城市和智能交通场景下，具体涉及一种图像处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

诸如人体骨骼关键点的特征点对于描述人体姿态，预测人体行为具有重要意义。因此，诸多计算机视觉任务都设计特征点的检测。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

技术实现要素：

本公开提供了一种图像处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种图像处理方法，包括：获取目标图像的语义特征图；基于所述语义特征图确定分别用于目标图像中的至少一个目标对象的至少一个目标特征图；以及对于所述至少一个目标对象中的每个目标对象，基于该目标对象的目标特征图确定用于该目标对象的注意力矩阵；以及基于该目标对象的目标特征图和该目标对象的注意力矩阵确定用于该目标的位置特征图，其中所述位置特征图指示该目标对象在所述目标图像中的位置。

根据本公开的另一方面，提供了一种由计算机实现的神经网络，所述神经网络被配置用于检测目标图像中存在的至少一个目标对象，所述神经网络包括：骨干网络，所述骨干网络用于对所述目标图像进行处理，以得到所述目标图像的语义特征图；分支网络，所述分支网络用于基于所述语义特征图确定分别用于目标图像中的至少一个目标对象的至少一个目标特征图；特征融合层，所述特征融合层包括分别用于所述至少一个目标对象的至少一个特征融合分支，其中，每个特征融合分支用于基于该目标对象的目标特征图确定用于该目标对象的注意力矩阵，并基于该目标对象的目标特征图和该目标对象的注意力矩阵确定用于该目标对象的位置特征图，其中所述位置特征图指示该目标对象在所述目标图像中的位置。

根据本公开的另一方面，提供了一种由计算机实现的神经网络的训练方法，所述神经网络由如前述神经网络实现，所述训练方法包括：获取样本图像以及样本图像中存在的至少一个目标对象的真实位置；将所述样本图像输入所述神经网络，并获取所述神经网络输出的分别用于所述至少一个目标对象的至少一个位置特征图；基于所述至少一个位置特征图确定所述样本图像中所述至少一个目标对象的预测位置；基于所述真实位置和所述预测位置，计算损失函数；以及基于所述损失函数调整所述神经网络中的参数。

根据本公开的另一方面，提供了一种图像处理装置，包括：语义特征获取单元，被配置成获取目标图像的语义特征图；目标特征获取单元，被配置成基于所述语义特征图确定分别用于目标图像中的至少一个目标对象的至少一个目标特征图；以及目标对象检测单元，被配置成对于所述至少一个目标对象中的每个目标对象，基于该目标对象的目标特征图确定用于该目标对象的注意力矩阵；基于所述目标特征图和所述注意力矩阵确定用于该目标的位置特征图，其中所述位置特征图指示该目标对象在所述目标图像中的位置。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现前述方法。

根据本公开的一个或多个实施例，可以为目标图像中存在的不同目标对象分别确定相应的注意力矩阵，从而能够提高针对各个目标对象的检测准确率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的图像处理方法的示例性的流程图；

图3示出了根据本公开的实施例用于实现图2中示出的图像处理方法的神经网络的示意性框图；

图4示出了根据本公开的实施例用于识别人体关键点的神经网络的示例；

图5示出了根据本公开的实施例的神经网络的训练方法；

图6示出了根据本公开的实施例的图像处理装置的示例性的框图；

图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行根据本公开的图像处理方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来获取图像并进行相应的图像处理。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。例如，服务器120可以获取客户端采集的图像，并实现根据本公开的实施例的图像处理。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

在相关技术中，为了检测图像中的特征点(如人体关键点)的位置，可以通过人体检测模型得到人体的图像区域，再通过关键点模型提取人体关键点信息，人体关键点模型可以是通过效果较好的骨干网络(如HRNet)提取图像空间和语义特征，通过反卷积层得到检测特征，并通过该检测特征直接回归得到n个人体关键点的热图(heatmap)，其中n为预设的人体关键点的数量。热图可以指示图像中人体关键点所在的位置。可以看出，在相关技术中通过同一个检测特征直接回归获取针对不同人体关键点的热图，缺少对于单个关键点的注意力回归机制，预测效果有限。

为了解决上述问题，本公开提供了一种针对不同目标对象分别获取注意力矩阵的方法。

图2示出了根据本公开的实施例的图像处理方法的示例性的流程图。可以利用图1示出的客户端101～106或服务器120执行图2中示出的图像处理方法200。

如图2所示，在步骤S202中，可以获取目标图像的语义特征图。在步骤S204中，可以基于语义特征图确定分别用于目标图像中的至少一个目标对象的至少一个目标特征图。在步骤S206中，对于至少一个目标对象中的每个目标对象，可以基于该目标对象的目标特征图确定用于该目标对象的注意力矩阵，并基于该目标对象的目标特征图和该目标对象的注意力矩阵确定用于该目标的位置特征图，其中位置特征图指示该目标对象在目标图像中的位置。

利用本公开的实施例提供的上述图像处理方法，对于目标图像中存在的至少一个目标图像，可以分别获取每个目标图像的注意力矩阵，从而确定每个目标对象在目标图像中的位置。

以下将具体描述本公开的实施例的原理。

在步骤S202中，可以获取目标图像的语义特征图。

在一些实施例中，可以利用训练好的骨干网络对目标图像进行处理并将骨干网络的输出作为目标图像的语义特征图。例如，可以使用HRNet网络作为骨干网络获取目标图像的语义特征图。利用骨干网络能够有效地提取出目标图像中各个尺度上的语义特征，从而能够提高后续检测过程的准确率。

在另一些实施例中，还可以利用训练好的骨干网络对目标图像进行处理，并利用其他的神经网络单元对骨干网络的输出进行进一步处理以获取目标图像的语义特征图。在一些实现方式中，可以利用至少一个反卷积层对骨干网络的输出进行处理以得到目标图像的语义特征图。也就是说，可以利用骨干网络和至少一个反卷积层对目标图像进行处理，以得到语义特征图。利用反卷积层能够将骨干网络输出的特征图的尺度调整为用于目标图像中存在的至少一个目标对象的位置特征所需要的尺度。在其他实现方式中，用于对骨干网络的输出进行进一步处理的神经网络单元也可以被实现为任何其他形式。

在步骤S204中，可以基于语义特征图确定分别用于目标图像中的至少一个目标对象的至少一个目标特征图。

在一些实施例中，目标图像可以包括人体图像，至少一个目标对象可以包括至少一个人体关键点。例如，人体关键点可以包括人体的头部、肩部、手部等。在另一些实施例中，目标图像也可以包括人体的一部分(如手)，至少一个目标对象可以是至少一个手部关键点，如手指关节等。本领域技术人员可以根据实际应用定义图像处理方法中涉及的目标对象的内容和数量。在本公开中将以人体关键点检测为例描述本公开的原理，然而，本领域技术人员可以理解的是，在不脱离本公开原理的情况下，可以将本公开提供的图像处理方法用于检测任何形式的目标对象。

在一些实施例中，对于至少一个目标对象中的每个目标对象，可以利用用于该目标对象的卷积层对步骤S202得到的语义特征图进行卷积以得到用于该目标对象的目标特征图。利用上述方法，可以为目标图像中的每个目标对象分别确定目标特征图，从而能够基于不同的目标特征图分别确定每个目标对象的在目标图像中的位置。

其中，步骤S203中得到的各个目标对象的目标特征图可以是单通道的。采用单通道的目标特征图能够简化后续流程中的计算量，从而提高图像处理方法的计算效率。

在步骤S206中，对于至少一个目标对象中的每个目标对象，可以基于该目标对象的目标特征图确定用于该目标对象的注意力矩阵，并基于该目标对象的目标特征图和该目标对象的注意力矩阵确定用于该目标的位置特征图，其中位置特征图指示该目标对象在目标图像中的位置。

在一些实施例中，基于该目标对象的目标特征图确定用于该目标对象的注意力矩阵可以包括：利用至少一个全连接层对目标特征图进行处理，以得到注意力矩阵。

其中，全连接层中的每个节点都可以与上一层中的所有节点相互连接，因此，利用全连接层能够实现目标特征图的全局空间特征融合。由此，目标图像中存在的每个目标对象都可以帮助预测目标图像中存在的其他目标对象的位置。以检测人体关键点的应用场景为例，人体头部所在的位置能够帮助预测颈部、肩部等其他关键点的位置。因此，利用全局空间特征融合得到的注意力矩阵能够提高目标对象检测的准确率。

在一些实现方式中，上述至少一个全连接层可以包括第一全连接层和第二全连接层。在一些示例中，还可以在第一全连接层和第二全连接层之间设置激活层，从而引入非线性的空间特征融合效果。采用两个全连接层的方式能够实现全局空间特征的有效融合同时并不显著增加图像处理过程的计算量。然而，本公开的范围并不限于此，本领域技术人员可以根据实际情况增加或减少全连接层的数量，例如，采用一个全连接层或多于两个全连接层的方式。

在一些实施例中，利用至少一个全连接层对目标特征图进行处理，以得到注意力矩阵可以包括：确定对应于目标特征图的目标特征向量；将目标特征向量输入至少一个全连接层，以得到至少一个全连接层的输出向量；利用矩阵变维确定与输出向量对应的矩阵作为注意力矩阵。

为了方便全连接层的处理，可以对目标特征图进行维度变换，并将维度变换后得到的目标特征向量作为全连接层的输入。以目标特征图是1*H*W尺寸(其中H、W分别为目标特征图在水平方向和竖直方向上的尺寸)的单通道特征为例，可以将目标特征图铺平(flat)为长度为H*W的向量作为目标特征向量，并输入上述至少一个全连接层。上述至少一个全连接层的输出向量的尺寸可以与输入向量相同，即输出向量也是长度为H*W的向量。可以利用矩阵变维(reshape)将输出向量变换为尺寸为1*H*W的矩阵，即注意力矩阵。

在一些实施例中，基于目标特征图和注意力矩阵确定用于该目标的位置特征图可以包括：将目标特征图和注意力矩阵中对应位置处的元素进行融合，以得到位置特征图。在一些实现方式中，可以将目标特征图和注意力矩阵中对应位置处的元素进行相乘，并将相乘后得到的结果作为位置特征图中该位置处的元素的值。在另一些实现方式中，也可以对目标特征图和注意力矩阵中对应位置处的元素进行任何数学处理以实现融合。

其中位置特征图中的每个元素指示该目标对象位于目标图像中与该元素对应的位置的概率。位置特征图和目标图像的尺寸可以是相同的，也可以是不同的。位置特征图中的每个元素与目标图像中的一个元素(或一个图像块)相对应。可以基于具有最大值的元素在位置特征图中的位置确定该位置特征图对应的目标对象在目标图像中的位置。

图3示出了根据本公开的实施例用于实现图2中示出的图像处理方法的神经网络的示意性框图。其中，图3中示出的神经网络300可以有计算机实现。神经网络300可以被配置用于检测目标图像中存在的至少一个目标对象。

如图3所示，神经网络300可以包括骨干网络310、分支网络320以及特征融合层330。

骨干网络310可以用于对目标图像进行处理，以得到目标图像的语义特征图。其中骨干网络可以被实现为HRNet。可以理解的是，在不脱离本公开原理的情况下，骨干网络也可以被实现为其他能够提取图像语义特征的神经网络。

分支网络320可以用于基于语义特征图确定分别用于目标图像中的至少一个目标对象的至少一个目标特征图。

在一些实施例中，目标图像可以包括人体图像，至少一个目标对象可以包括至少一个人体关键点。

在一些实施例中，分支网络320可以包括至少一个卷积层。至少一个卷积层用于分别对于对语义特征图进行卷积，以得到分别用于至少一个目标对象中的每个目标对象的目标特征图。也就是说，在分支网络320中，为了得到针对不同目标对象的目标特征图，可以利用不同的卷积层分别对统一语义特征图进行处理来得到用于不同目标对象的目标特征图。由此，可以为不同的目标对象分别训练不同的卷积层，以提高针对不同目标对象的检测的准确率。

其中，目标特征图可以是单通道的，从而能够简化后续图像处理过程的计算量。

特征融合层330可以包括分别用于至少一个目标对象的至少一个特征融合分支，其中，每个特征融合分支用于基于该目标对象的目标特征图确定用于该目标对象的注意力矩阵，并基于目标特征图和注意力矩阵确定用于该目标对象的位置特征图，其中位置特征图指示该目标对象在目标图像中的位置。

其中，特征融合分支可以包括至少一个全连接层，至少一个全连接层可以用于对目标特征图进行处理，以得到用于相应目标对象的注意力矩阵。

其中，全连接层中的每个节点都可以与上一层中的所有节点相互连接，因此，利用全连接层能够实现目标特征图的全局空间特征融合。由此，目标图像中存在的每个目标对象都可以帮助预测目标图像中存在的其他目标对象的位置。以检测人体关键点的应用场景为例，人体头部所在的位置能够帮助预测颈部、肩部等其他关键点的位置。因此，利用全局空间特征融合得到的注意力矩阵能够提高目标对象检测的准确率。

上述至少一个全连接层可以用于对对应于目标特征图的目标特征向量进行处理，以得到至少一个全连接层的输出向量。其中，注意力矩阵是利用矩阵变维确定的与输出向量对应的矩阵。以目标特征图是1*H*W尺寸(其中H、W分别为目标特征图在水平方向和竖直方向上的尺寸)的单通道特征为例，可以将目标特征图铺平(flat)为长度为H*W的向量作为目标特征向量，并输入上述至少一个全连接层。上述至少一个全连接层的输出向量的尺寸可以与输入向量相同，即输出向量也是长度为H*W的向量。可以利用矩阵变维(reshape)将输出向量变换为尺寸为1*H*W的矩阵，即注意力矩阵。

在一些实现方式中，上述至少一个全连接层可以包括第一全连接层和第二全连接层。在一些示例中，还可以在第一全连接层和第二全连接层之间设置激活层，从而引入非线性的空间特征融合效果。采用两个全连接层的方式能够实现全局空间特征的有效融合同时并不显著增加图像处理过程的计算量。然而，本公开的范围并不限于此，本领域技术人员可以根据实际情况增加或减少全连接层的数量，例如，采用一个全连接层或多于两个全连接层的方式。

特征融合分支还可以包括融合单元，融合单元可以用于将目标特征图和注意力矩阵中对应位置处的元素进行融合，以得到位置特征图。在一些实现方式中，可以将目标特征图和注意力矩阵中对应位置处的元素进行相乘，并将相乘后得到的结果作为位置特征图中该位置处的元素的值。在另一些实现方式中，也可以对目标特征图和注意力矩阵中对应位置处的元素进行任何数学处理以实现融合。

其中位置特征图中的每个元素指示该目标对象位于目标图像中与该元素对应的位置的概率。位置特征图和目标图像的尺寸可以是相同的，也可以是不同的。位置特征图中的每个元素与目标图像中的一个元素(或一个图像块)相对应。可以基于具有最大值的元素在位置特征图中的位置确定该位置特征图对应的目标对象在目标图像中的位置。

利用本公开提供的神经网络，可以为每个目标对象设置单独的分支并为每个目标对象训练不同的注意力矩阵，从而能够提高针对单个目标对象的检测准确率。可以理解的是，本公开实施例提供的神经网络并不限于结合图3描述的形式，在不脱离本公开原理的情况下，本领域技术人员可以根据实际应用在图3示出的神经网络的基础上增加或减少神经网络单元，以适应不同应用场景下不同尺寸和通道数的待处理图像。

图4示出了根据本公开的实施例用于识别人体关键点的神经网络的示例。可以利用图4中示出的神经网络400实现图3中描述的神经网络300。

如图4所示，神经网络400可以包括骨干网络410。其中骨干网络410可以用于对目标图像进行处理并得到目标图像的语义特征图。

神经网络400还可以包括分支网络420。在图4示出的示例中，分支网络可以包括反卷积层421和卷积层422-1～422-n。其中n是大于1的正整数。其中，反卷积层421可以用于对骨干网络输出的语义特征图进行进一步处理以得到目标图像的扩展特征。卷积层422-1～422-n可以包括分别对应于n个目标对象中的每个目标对象的n个卷积层，并可以分别对扩展特征进行处理以得到用于每个目标对象的目标特征图。其中，扩展特征的尺寸可以是k*H*W，其中k是任意正整数，每个目标对象的目标特征图的尺寸可以是1*H*W的单通道特征。

神经网络400还可以包括特征融合层430。其中，特征融合层430可以包括分别串联在卷积层422-1～422-n的特征融合分支430-1～430-n，其中每个特征融合分支用于基于该目标对象的目标特征图确定用于该目标对象的注意力矩阵，并基于该目标对象的目标特征图和该目标对象的注意力矩阵确定用于该目标对象的位置特征图。

如图4所示，每个特征融合分支可以包括第一全连接层431和第二全连接层432，在第一全连接层431和第二全连接层432之间还设置有激活层433。以第一分支为例，第一特征融合分支可以包括第一全连接层431-1和第二全连接层432-1，在第一全连接层431-1和第二全连接层432-1之间还设置有激活层433-1。第二全连接层432-1可以用于输出针对该目标对象的注意力矩阵。进一步地，每个特征融合分支还可以包括融合单元433(如融合单元433-1～433-n)，其中融合单元可以用于将该目标对象的目标特征图和该目标对象的注意力矩阵中对应位置处的元素进行融合，以得到该目标对象的位置特征图。在一些实现方式中，可以将目标特征图和注意力矩阵中对应位置处的元素进行相乘，并将相乘后得到的结果作为位置特征图中该位置处的元素的值。在另一些实现方式中，也可以对目标特征图和注意力矩阵中对应位置处的元素进行任何数学处理以实现融合。

图5示出了根据本公开的实施例的神经网络的训练方法。可以利用图5中示出的训练方法500对结合图3、图4描述的神经网络进行训练。

在步骤S502中，可以获取样本图像以及样本图像中存在的至少一个目标对象的真实位置。其中样本图像可以包括人体图像，目标对象可以是人体关键点。需要说明的是，本实施例中的人体图像来自于公开数据集。

在步骤S504中，将样本图像输入待训练的神经网络，并获取待训练的神经网络输出的分别用于至少一个目标对象的至少一个位置特征图。其中，待训练的神经网络的初始参数可以是随机生成的，也可以是通过预训练得到的。

在步骤S506中，可以基于至少一个位置特征图确定样本图像中至少一个目标对象的预测位置。

在步骤S508中，可以基于步骤S502中标注的真实位置和步骤S506中得到的预测位置计算损失函数。在一些示例中，可以使用均方误差(MSE)等损失函数。

在步骤S510中，可以基于步骤S508中计算的损失函数调整神经网络中的参数，从而使得神经网络能够学习到待检测的各个目标对象的特征，提到目标对象检测的准确率。

图6示出了根据本公开的实施例的图像处理装置的示例性的框图。

如图6所示，图像处理装置600可以包括语义特征获取单元610、目标特征获取单元620以及目标对象检测单元630。

语义特征获取单元610可以被配置成获取目标图像的语义特征图。目标特征获取单元620可以被配置成基于语义特征图确定分别用于目标图像中的至少一个目标对象的至少一个目标特征图。目标对象检测单元630可以被配置成对于至少一个目标对象中的每个目标对象，基于该目标对象的目标特征图确定用于该目标对象的注意力矩阵并基于该目标对象的目标特征图和该目标对象的注意力矩阵确定用于该目标的位置特征图，其中位置特征图指示该目标对象在目标图像中的位置。

这里所说的图像处理装置600的上述各单元610～630的操作分别与前面描述的步骤S202～S206的操作类似，在此不再加以赘述。

根据本公开的实施例，还提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行结合图2所述的方法。

根据本公开的实施例，还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行结合图2所述的方法。

根据本公开的实施例，还提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现结合图2所述的方法。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙^TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如方法200、500。例如，在一些实施例中，方法200、500可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的方法200、500的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200、500。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。