一种基于深度学习的团队组建方法、系统、设备及介质与流程

1.本技术涉及计算机视觉技术领域，尤其涉及一种基于深度学习的团队组建方法、系统、设备及介质。


背景技术：

2.创新创业活动是推动经济发展、社会进步的根本动力。近年来国家对创业活动教育日益重视，将其作为建设创新型国家的关键战略举措。在创业活动中，一个结构合理的创业团队对创业的成败至关重要。
3.目前，大学生创业活动团队组建逻辑多为人际型组建逻辑，在组建方式上多为自主组建，缺乏专业人员的引导协调，这样组建的团队在专业程度、稳定性等方面有所欠缺，难以抵抗创业的风险，从而导致创业活动以失败而告终。随着计算机技术的发展，通过计算机技术来组建团队成为可能。将创业团队组建过程中各种数据进行收集，并以此来通过计算机技术进行团队创建，从而形成结构合理的团队具有重要的现实意义。


技术实现要素：

4.本技术实施例提供了一种基于深度学习的团队组建方法、系统、设备及介质，用以解决现有的团队组建逻辑多为人际型组建逻辑，组建的团队在专业程度、稳定性等方面有所欠缺，难以抵抗创业的风险的技术问题。
5.一方面，本技术实施例提供了一种基于深度学习的团队组建方法，所述方法包括：
6.获取待匹配人员的视频数据；其中，所述视频数据是基于所述待匹配人员的创业活动拍摄的；
7.处理所述视频数据，并将所述视频数据输入预先训练的人体姿态识别模型中，从而得到匹配概率；
8.基于所述匹配概率，对所述待匹配人员进行打分；
9.根据打分结果，将所述待匹配人员组建为团队。
10.在本技术的一种实现方式中，所述人体姿态识别模型的训练过程为：
11.获取训练样本；其中，所述训练样本中包含若干种人体的动作；
12.将所述训练样本通过blazepose算法进行处理，从而得到人体的若干个2d关键身体点位信息；
13.将所述若干个2d关键身体点位信息，输入人体姿态识别模型中进行训练。
14.在本技术的一种实现方式中，所述方法还包括：
15.将所述若干个2d关键身体点位信息通过pr-vipe算法，映射到具有视角不变的嵌入空间之中，得到正样例对损失函数；
16.基于所述正样例对损失函数，得到匹配概率。
17.在本技术的一种实现方式中，所述基于所述匹配概率，对所述待匹配人员进行打分，具体为：
18.将所述待匹配人员进行分组，从而将每个待匹配人员都赋予身份标签；
19.基于所述匹配概率的大小，以及所述待匹配人员的身份标签，对每个待匹配人员的动作幅度进行打分。
20.在本技术的一种实现方式中，对待匹配人员的动作幅度进行打分，具体为：
21.利用样本数据，结合cover训练策略训练出浅层的动作模型；其中，所述动作模型用于对待匹配人员的动作幅度进行打分；
22.生成测试样本，对所述动作模型进行测试，从而得到满足要求的动作模型；
23.将待匹配人员的视频数据输入所述动作模型中，得到动作幅度得分。
24.在本技术的一种实现方式中，在将所述待匹配人员组建为团队之前，所述方法还包括：
25.提取所述视频数据中的音频数据，训练ctc声学算法模型，并基于训练后的ctc声学算法模型得到不同音源之间的回答间隔，对回答时间间隔进行打分；以及，
26.基于eyeloop方法识别所述视频数据中所有待匹配人员的眼球的转速与转向，并对眼动数据进行打分；
27.在所述打分结果中加入时间间隔权重得分以及眼动数据权重得分。
28.在本技术的一种实现方式中，在所述获取待匹配人员的视频数据之前，所述方法还包括：
29.收集所有参与活动人员的基本信息；
30.基于spss数据分析方法，处理所述基本信息，得到所有参与活动人员的得分排序，并筛选出待匹配人员。
31.本技术实施例还提供了一种基于深度学习的团队组建系统，所述系统包括：
32.拍摄模块，用于获取待匹配人员的视频数据；其中，所述视频数据是基于所述待匹配人员的创业活动拍摄的；
33.识别模块，用于处理所述视频数据，并将所述视频数据输入预先训练的人体姿态识别模型中，从而得到匹配概率；
34.打分模块，用于基于所述匹配概率，对所述待匹配人员进行打分；
35.团队组建模块，用于根据打分结果，将所述待匹配人员组建为团队。
36.本技术实施例还提供了一种基于深度学习的团队组建设备，所述设备包括：
37.至少一个处理器；以及，
38.与所述至少一个处理器通信连接的存储器；其中，
39.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：
40.获取待匹配人员的视频数据；其中，所述视频数据是基于所述待匹配人员的创业活动拍摄的；
41.处理所述视频数据，并将所述视频数据输入预先训练的人体姿态识别模型中，从而得到匹配概率；
42.基于所述匹配概率，对所述待匹配人员进行打分；
43.根据打分结果，将所述待匹配人员组建为团队。
44.本技术实施例还提供了一种基于深度学习的团队组建的非易失性计算机存储介
质，存储有计算机可执行指令，所述计算机可执行指令设置为：
45.获取待匹配人员的视频数据；其中，所述视频数据是基于所述待匹配人员的创业活动拍摄的；
46.处理所述视频数据，并将所述视频数据输入预先训练的人体姿态识别模型中，从而得到匹配概率；
47.基于所述匹配概率，对所述待匹配人员进行打分；
48.根据打分结果，将所述待匹配人员组建为团队。
49.本技术实施例提供了一种基于深度学习的团队组建方法、系统、设备及介质，通过收集创业活动中参与人员的视频数据，并基于一系列计算机深度视觉算法处理这些视频数据，对待匹配人员进行各项身体动作幅度、眼球转动以及语言表达情况进行有效捕捉，并进行打分，从而获得较为科学合理的团队组建因素。
附图说明
50.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
51.图1为本技术实施例提供的一种基于深度学习的团队组建方法流程图；
52.图2为本技术实施例提供的一种基于深度学习的团队组建系统组成图；
53.图3为本技术实施例提供的一种基于深度学习的团队组建设备示意图。
具体实施方式
54.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
55.本技术实施例提供了一种基于深度学习的团队组建方法、系统、设备及介质，用以解决现有的团队组建逻辑多为人际型组建逻辑，组建的团队在专业程度、稳定性等方面有所欠缺，难以抵抗创业的风险的技术问题。
56.下面通过附图对本技术实施例提出的技术方案进行详细的说明。
57.图1为本技术实施例提供的一种基于深度学习的团队组建方法流程图。如图1所示，该方法主要包括以下步骤：
58.步骤101、获取待匹配人员的视频数据。
59.在本技术实施例中，首先收集所有参与活动人员的基本信息，这些基本信息中应当包含所有参与活动人员的专业技术测试得分。然后基于spss数据分析软件，处理基本信息，得到所有参与活动人员的得分排序，并筛选出待匹配人员。
60.进一步地，被筛选出来的待匹配人员会配合进行视频录制，在视频录制过程中，待匹配人员互相组队进行团队表演游戏，自我介绍等。将这个过程中每一个人员都拍进视频里。
61.步骤102、处理所述视频数据，并将所述视频数据输入预先训练的人体姿态识别模型中，从而得到匹配概率。
62.在本技术实施例中，从拍摄的视频中获取训练样本，其中，所述训练样本中包含若干种人体的动作；然后将训练样本输入基于blazepose算法搭建的人体姿态识别模型框架中进行训练，从而得到人体的若干个2d关键身体点位信息。将所述若干个2d关键身体点位信息，输入人体姿态识别模型中进行训练。
63.将所述若干个2d关键身体点位信息通过pr-vipe算法，映射到具有视角不变的嵌入空间之中，得到正样例对损失函数；基于所述正样例对损失函数，得到匹配概率。
64.步骤103、基于所述匹配概率，对所述待匹配人员进行打分。
65.在本技术实施例中，将所述待匹配人员进行分组，从而将每个待匹配人员都赋予身份标签，这些标签包括在团队中的角色。然后基于所述匹配概率的大小，以及所述待匹配人员的身份标签，对每个待匹配人员的动作幅度进行打分。
66.具体来说，利用样本数据，结合cover训练策略训练出浅层的动作模型；其中，所述动作模型用于对待匹配人员的动作幅度进行打分；生成测试样本，对所述动作模型进行测试，从而得到满足要求的动作模型；将待匹配人员的视频数据输入所述动作模型中，得到动作幅度得分。
67.步骤104、根据打分结果，将所述待匹配人员组建为团队。
68.在本技术实施例中，提取所述视频数据中的音频数据，训练ctc声学算法模型，并基于训练后的ctc声学算法模型得到不同音源之间的回答间隔，对回答时间间隔进行打分；以及基于eyeloop方法识别所述视频数据中所有待匹配人员的眼球的转速与转向，并对眼动数据进行打分。
69.然后在所述打分结果中加入时间间隔权重得分以及眼动数据权重得分。综合所有的得分，得出各个待匹配人员的最终得分情况，根据得分重新筛选优秀人才留下，并重新划分每个人在团队中的角色，完成本次团队创建。
70.以上是本技术实施例提供的一种基于深度学习的团队组建方法，基于同样的发明构思，本技术实施例还提供了一种基于深度学习的团队组建系统，图2为本技术实施例提供的一种基于深度学习的团队组建系统组成图，如图2所示，所述系统主要包括：
71.拍摄模块201，用于获取待匹配人员的视频数据；其中，所述视频数据是基于所述待匹配人员的创业活动拍摄的；
72.识别模块202，用于处理所述视频数据，并将所述视频数据输入预先训练的人体姿态识别模型中，从而得到匹配概率；
73.打分模块203，用于基于所述匹配概率，对所述待匹配人员进行打分；
74.团队组建模块204，用于根据打分结果，将所述待匹配人员组建为团队。
75.以上是本技术实施例提供的一种基于深度学习的团队组建系统，基于同样的发明构思，本技术实施例还提供了一种基于深度学习的团队组建设备，图3为本技术实施例提供的一种基于深度学习的团队组建设备示意图，如图3所示，该设备主要包括：至少一个处理器301；以及，与至少一个处理器通信连接的存储器302；其中，存储器302存储有可被至少一个处理器301执行的指令，指令被至少一个处理器301执行，以使至少一个处理器301能够完成：获取待匹配人员的视频数据；其中，所述视频数据是基于所述待匹配人员的创业活动拍摄的；处理所述视频数据，并将所述视频数据输入预先训练的人体姿态识别模型中，从而得到匹配概率；基于所述匹配概率，对所述待匹配人员进行打分；根据打分结果，将所述待匹
配人员组建为团队。
76.除此之外，本技术实施例还提供了一种基于深度学习的团队组建的非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：获取待匹配人员的视频数据；其中，所述视频数据是基于所述待匹配人员的创业活动拍摄的；处理所述视频数据，并将所述视频数据输入预先训练的人体姿态识别模型中，从而得到匹配概率；基于所述匹配概率，对所述待匹配人员进行打分；根据打分结果，将所述待匹配人员组建为团队。
77.本技术实施例提供了一种基于深度学习的团队组建方法、系统、设备及介质，通过收集创业活动中参与人员的视频数据，并基于一系列计算机深度视觉算法处理这些视频数据，对待匹配人员进行各项身体动作幅度、眼球转动以及语言表达情况进行有效捕捉，并进行打分，从而获得较为科学合理的团队组建因素。
78.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
79.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
80.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
81.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
82.本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
83.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
84.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。