CN119445677A 基于HigherHRNet的智能假肢控制与姿态检测方法及装置 （华侨大学）

基于HigherHRNet的智能假肢控制与姿态检本发明公开了基于HigherHRNet的智能假肢假肢控制与姿态检测高分辨率网络对数据集中人体姿态检测中的蒸馏网络学习和关键点的精21.一种基于HigherHRNet的智能假肢控制与姿态检测方法，其特征在于，包括如下步S103，使用智能假肢控制与姿态检测高分辨率网络预处理层，对输入的数据集中的图像进行预处理，将预处理后的图通道相关性蒸馏模块，使用多维尺度融合部分最后一层输出的图像特卷积层，将阶段四输出特征融合后的图像的通道数变为数据集中2.根据权利要求1所述的基于HigherHRNet的智能假肢首先，通过全局平均池化将图像中每个通道的特征图压缩为;x.(.0)表示输入特征图在第c个通道的第(.5)个像素值；;最后，将所得通道权重重新映射回每个通道的特征图，通过逐;33.根据权利要求1所述的基于HigherHRNet的智能假;其中，表示高层次特征提取器对输入值的输出特征；r"表示图像特征;4.根据权利要求3所述的基于HigherHRNet的智能假肢控制与姿态;其中，表示无自蒸馏模块和通道相关性蒸馏模块时的网络损图，K表示关键点数，表示均方误差损失函数；LO表示自蒸馏模块总体损失；5.根据权利要求1所述的基于HigherHRNet的智能假4将多维尺度融合部分输出的特征融合后的图像与预测热图进行拼接6.根据权利要求5所述的基于HigherHRNet的智能假肢控制out=(In-1)*stride-2*padding+kernelLsize；7.根据权利要求5所述的基于HigherHRNet的智能假;智能假肢控制与姿态检测高分辨率网络构建模块，用于构建基于HigherHRNet的智能最终关键点热图获取模块，用于使用智能假肢控制与姿态检测高分预处理层，对输入的数据集中的图像进行预处理，将预处理后的图通道相关性蒸馏模块，使用多维尺度融合部分最后一层输出的图像特卷积层，将阶段四输出特征融合后的图像的通道数变为数据集中5[0001]本发明涉及计算机视觉领域，尤其涉及基于HigherHRNet的智能假肢控制与姿态[0003]目前，基于深度学习的姿态检测方法已广泛应用于智能假肢领域，尤其是HigherHRNet（高分辨率网络它在复杂的运动姿态识别中表现出了显著的优势。[0004]针对以上问题，本发明提出了基于HigherHRNet的智能假肢控制与姿态检测方法高人体姿势识别准确率的同时具有较低的计算6[0016]反卷积模块，将多维尺度融合部分输出的特征融合后的图像与预测热图进行拼[0023]其中，s:表示重新校准后的通道权重向量；和分别表示全连接层的权重矩7[0037]优选的，智能假肢控制与姿态检测高分辨率网络的总体损失LOSS的计算公式如转置卷积的输入进行反卷积操作，然后通过BatchNorm和RELU的学习对输入特征图进行上采样，在转置卷积操作后添加4个残差块重新细化上采样的特征映射，再进行一次卷积操[0043]out=(In-1)*stride-2'padding+kernelLsize8[0050]智能假肢控制与姿态检测高分辨率网络构建模块，用于构建基于HigherHRNet的[0059]反卷积模块，将多维尺度融合部分输出的特征融合后的图像与预测热图进行拼高斯函数生成热图的原始网络相比，本发明中的DSNT模块在处理低分辨率热图时表现更9[0068]图1为本发明实施例的基于HigherHRNet的智能假肢控制与姿态检测方法的流程[0069]图2为本发明实施例的基于HigherHRNet的智能假肢控制与姿态检测方法的智能假肢控制与姿态检测高分辨率网络的结构示[0070]图3为本发明实施例的基于HigherHRNet的智能假肢控制与姿态检测装置的结构[0079]其中，zc表示第c个通道的全局描述向量，H和W分别表示特征图的高度和宽度，x.(i,)表示输入特征图在第c个通道的第(.5)个像素值；检测系统的精度与响应能力。SE注意力机制能够通过自适应地调整不同特征通道的重要的输出f()c-osc表示为：[0099]由于阶段一只有一条分支，没有进行多尺度融合，因此阶段一生成新分支[0102]阶段二最后一个多分辨率模块进行多尺度融合与生成新分支的卷积过程；[0118]本实施例引入了自蒸馏模块，进一步提升了智能假肢控制与姿态检测网络的性[0122]其中，表示图像特征中第m通道的图像特征，r"表示图像特征中维的图像数据转成一维向量时的长度。K()表示内积相关性蒸馏模块通过学习这些关联信息，增强了网络对多维度姿态特征的理解和提取能[0141]首先将主干网络输出的特征图与经过DSNT层后生成的热图进行拼接作为4×4的[0143]out=(In-1)*stride-2'padding+kernelLsize；[0148]本实施例的反卷积模块在智能假肢控制和姿态检测中能有效提升空间信息的恢斯函数生成热图的原始网络相比，本发明中的DSNT模块在处理低分辨率热图时表现更优。[0154]本实施例引入了一种轻量级高分辨率网络，专门用于智能假肢的控制与姿态检[0155]如图3所示，本发明还公开了基于HigherHRNet的智能假[0158]最终关键点热图获取模块303，用于使用智能假肢控制与姿态检测高分辨率网络