[0046] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
[0047] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0048] 实施例1
[0049] 请参看图1，图1为本申请实施例提供了一种用于定位多目标特征点的深度学习模型的构建方法的流程示意图。该方法用于构建一种用于定位目标特征点的深度学习模型，并且该方法可以应用在图像识别或场景识别中对多个目标或人物进行目标特征点的定位，举例来说，该方法构建得到的模型可以应用在街道中以实现对人物特征点进行识别的效果。其中，该用于定位多目标特征点的深度学习模型的构建方法包括：
[0050] S101、获取用于提取输入数据包括的特征数据的堆叠沙漏网络、用于根据特征数据进行目标检测得到目标位置信息的检测网络、用于根据特征数据进行关键点检测得到关键点信息的定位网络以及用于组合目标位置信息和关键点信息得到目标特征点并输出目标特征点的输出网络。
[0051] 本实施例中，堆叠沙漏网络用于提取输入数据包括的特征数据，而该特征数据为输入数据的特征参量。
[0052] 在本实施例中，输入数据可以为图片，而该图片可以是通过各种渠道获取的，对此本实施例中不作任何限定，其中，该图片为多幅，可以成为训练集。
[0053] 在本实施例中，特征数据为上述图片(输入数据)中包括的特征参量，其中，该特征参量作为堆叠沙漏网络的输出结果输入至上述的检测网络和上述的定位网络。
[0054] 在本实施例中，检测网络用于根据特征数据进行目标检测得到目标位置信息，其中，检测网络具体用于根据上述堆叠沙漏网络获取到的特征数据进行目标检测，该检测过程可以理解为在输入数据中获取其包括的各个目标的目标信息。
[0055] 在本实施例中，定位网络用于根据特征数据进行关键点检测得到关键点信息，其中，定位网络具体用于根据上述堆叠沙漏网络获取到的特征数据进行关键点检测，该定位过程可以理解为获取输入数据中包括的所有关键点，而该关键点包括人体关键点及其他关键点。
[0056] 在本实施例中，检测网络和定位网络虽然是不同的两种网络，但是在模型的构建中，这两种网络检测出的信息将共同参与后续步骤，如通过损失函数进行处理。由此可见，在模型的构建过程中，检测网络和定位网络是不可分割的共同部分，并且通过该种分‑总的方式可以避免任何信息的遗漏，从而提高了目标特征点的识别精度。
[0057] 本实施例中，输出网络是用于组合目标位置信息和关键点信息得到目标特征点并输出目标特征点的网络，可以理解的是，经过该输出网络的信息将被处理得到目标特征点，并且将该目标特征点进行输出，也就是说，该网络是用于输出良好结果的网络。
[0058] 本实施例中，堆叠沙漏网络、检测网络、定位网络以及输出网络是根据原有的架构和新确定的目的共同设立的多网络模型，并且多个网络存在必然的连接关系，因此，上述的四个网络可以理解为一体化网络，即不可拆分。
[0059] 本实施例中，堆叠沙漏网络用于对人体姿态进行识别，具体的，在堆叠沙漏网络模型中的各种算法可以有效的给出人体的各个区域的关键电信系。同时，堆叠沙漏网络在人工智能中，能够更精准地识别人体关键点。
[0060] 本实施例中，目标位置信息可以为目标在对应图像中的位置信息。
[0061] 本实施例中，关键点信息为其对应的图像中的所有关键点的信息。
[0062] 本实施例中，检测网络优选为YOLO网络，其中，YOLO网络用于表用该检测网络是基于YOLO思想的网络模型。
[0063] 在本实施例中，检测网络优选的网络结构为卷积层～卷积层～卷积层～最大池化层～卷积层～卷积层的六层网络结构，并且在结合加权目标函数的基础上形成了基于YOLO思想的YOLO网络。使用该网络可以在满足多任务学习网络模型的构建的基础上，提高目标检测的准确程度
[0064] S102、组合堆叠沙漏网络、检测网络、定位网络以及输出网络得到多任务学习网络模型。
[0065] 作为一种可选的实施方式，组合堆叠沙漏网络、检测网络、定位网络以及输出网络得到多任务学习网络模型的步骤包括：
[0066] 将堆叠沙漏网络的输出端连接于检测网络的输入端和定位网络的输入端；
[0067] 将输出网络的输入端连接于检测网络的输出端和定位网络的输出端。
[0068] 实施这种实施方式，可以具体化上述四个网络的组合方式，从而使得各个网络之间的运行更为流畅。
[0069] 本实施例中，上述四个网络组合得到的多任务学习网络模型是一种深度学习模型的基本模型，该模型具有相应的定位能力，但仍需训练来提高其工作能力，从而才能确定出用于定位目标特征点的深度学习模型。
[0070] 在本实施例中，多任务学习模型为一体化网络模型，对此本实施例中不再多加赘述。
[0071] S103、在多任务学习网络模型中设置加权目标函数、预设训练条件以及与输入数据对应的超参数，得到第一训练模型。
[0072] 本实施例中，加权目标函数是应用于该多任务学习网络模型中的特定目标函数，其中，该加权目标函数是由多个目标函数进行加权得到的。
[0073] 本实施例中，预设训练条件用于确定训练的程度，并且在满足该预设训练条件的基础上结束训练的过程，并获取到用于定位目标特征点的深度学习模型。
[0074] 本实施例中，超参数包括限定输入数据类型的参数信息、堆叠沙漏网络的设置参数信息(包括堆叠次数和阶数)、网络优化器、学习率相关参数等等。其中，超参数是用于训练上述多任务学习模型的参数信息，因此，对于该超参数包括的内容，本实施例中不作任何限定。
[0075] 本实施例中，与输入数据对应的超参数具体可以包括与输入数据对应的数据要求、堆叠沙漏网络的堆叠次数、的堆叠沙漏网络的阶数、训练批尺寸、网络优化器、学习率初始值以及学习率调整要求。
[0076] 本实施例中，第一训练模型又可以称为待训练模型，可以理解的是，该第一训练模型在接收到训练数据的时候便可以开始训练。
[0077] S104、对第一训练模型进行训练，得到第二训练模型和与第二训练模型相对应的训练信息。
[0078] 本实施例中，第二训练模型为第一训练模型经过训练得到的，但是第二训练模型的训练程度可以为未完成程度。
[0079] 本实施例中，与第二训练模型相对应的训练信息为第二模型的训练程度，具体的，该训练信息可以为第二训练模型在实践中得到的结果和理论结果之间的误差信息。
[0080] 作为一种可选的实施方式，在对第一训练模型进行训练，得到第二训练模型和与第二训练模型相对应的训练信息的步骤之后，该方法还包括：
[0081] 存储第二训练模型为中间智能模型。
[0082] 实施这种实施方式，可以在训练过程中存储未完成的深度学习模型(该未完成的深度学习模型称为中间智能模型)，从而通过保存训练中的模型来进行后续的比较或实践操作，从而为该人工模型的构建或使用提供了备选方案或者比较方案。
[0083] 本实施例中，中间智能模型的存储数量可以被设置为有限个，如中间智能模型只能存储5个最新的。
[0084] S105、在训练信息满足预设训练条件时，保存第二训练模型为用于定位目标特征点的深度学习模型。
[0085] 本实施例中，当上述训练信息满足预设训练条件时可以说明训练程度已经达标，也就是说，此时存储的第二训练模型可以在实用中起到预期以内的效果，因此停止训练过程，确定此时的第二训练模型为用于定位目标特征点的深度学习模型。
[0086] 本实施例中，该用于定位多目标特征点的深度学习模型的构建方法可以为能够构建深度学习模型的任一装置，其中该装置至少包括计算机，对此本实施例中不作过多赘述。
[0087] 可见，实施图1所描述的用于定位多目标特征点的深度学习模型的构建方法，能够结合多个人工智能网络得到一个能够定位目标特征点的深度学习模型，再通过设置加权目标函数、预设训练条件以及超参数来对上述的深度学习模型进行训练，得到训练后的深度学习模型，并在满足想要达到的训练条件时，确定训练后的深度学习模型为用于定位目标特征点的深度学习模型，从而实现该用于定位多目标特征点的深度学习模型的构建，同时，在该用于定位目标特征点的深度学习模型构建完成之后，可以通过使用该深度学习模型来有效地提高对目标特征点(或称为关键点)的识别精度。
[0088] 实施例2
[0089] 请参看图2，图2为本申请实施例提供的另一种用于定位多目标特征点的深度学习模型的构建方法的流程示意图。图2所描述的用于定位多目标特征点的深度学习模型的构建方法的流程示意图是根据图1所描述的用于定位多目标特征点的深度学习模型的构建方法的流程示意图进行改进得到的。其中，该用于定位多目标特征点的深度学习模型的构建方法包括：
[0090] S201、通过预处理网络获取预设的训练集，并对训练集进行预处理得到输入数据。
[0091] 本实施例中，训练集是预设好的，在通常情况下，预设的数据包括训练集、验证集以及测试集三个部分，其中本实施例中描述的训练集为参与训练的数据集。
[0092] 本实施例中，预处理网络用于对训练集进行处理，得到可以参与训练的输入数据。
[0093] 本实施例中，通过预处理网络获取预设的训练集可以理解为，预处理网络获取预设的训练集。
[0094] S202、获取用于提取输入数据包括的特征数据的堆叠沙漏网络、用于根据特征数据进行目标检测得到目标位置信息的检测网络、用于根据特征数据进行关键点检测得到关键点信息的定位网络以及用于组合目标位置信息和关键点信息得到目标特征点并输出目标特征点的输出网络。
[0095] 本实施例中，堆叠沙漏网络用于提取输入数据包括的特征数据，而该特征数据为输入数据的特征参量。
[0096] 在本实施例中，输入数据可以为图片，而该图片可以是通过各种渠道获取的，对此本实施例中不作任何限定，其中，该图片为多幅，可以成为训练集。
[0097] 在本实施例中，特征数据为上述图片(输入数据)中包括的特征参量，其中，该特征参量作为堆叠沙漏网络的输出结果输入至上述的检测网络和上述的定位网络。
[0098] 在本实施例中，检测网络用于根据特征数据进行目标检测得到目标位置信息，其中，检测网络具体用于根据上述堆叠沙漏网络获取到的特征数据进行目标检测，该检测过程可以理解为在输入数据中获取其包括的各个目标的目标信息。
[0099] 在本实施例中，定位网络用于根据特征数据进行关键点检测得到关键点信息，其中，定位网络具体用于根据上述堆叠沙漏网络获取到的特征数据进行关键点检测，该定位过程可以理解为获取输入数据中包括的所有关键点，而该关键点包括人体关键点。
[0100] 在本实施例中，检测网络和定位网络虽然是不同的两种网络，但是在模型的构建中，这两种网络检测出的信息将共同参与后续步骤，如通过损失函数进行处理。由此可见，在模型的构建过程中，检测网络和定位网络是不可分割的共同部分，并且通过该种分‑总的方式可以避免任何信息的遗漏，从而提高了目标特征点的识别精度。
[0101] 本实施例中，输出网络是用于组合目标位置信息和关键点信息得到目标特征点并输出目标特征点的网络，可以理解的是，经过该输出网络的信息将被处理得到目标特征点，并且将该目标特征点进行输出，也就是说，该网络是用于输出良好结果的网络。
[0102] 本实施例中，堆叠沙漏网络、检测网络、定位网络以及输出网络是根据原有的架构和新确定的目的共同设立的多网络模型，并且多个网络存在必然的连接关系，因此，上述的四个网络可以理解为一体化网络，即不可拆分。
[0103] 在本实施例中，堆叠沙漏网络应理解为堆叠沙漏主干网络，在此基础上，堆叠沙漏网络、预处理网络以及定位网络可以组成一个完整的堆叠沙漏全网络。由此可见，本实施例中描述的堆叠沙漏网络、预处理网络以及定位网络等网络皆应理解为下述多任务学习网络模型中的一部分，因此每个网络皆是结合在一起的，不应该被拆分而论。
[0104] 本实施例中，目标位置信息可以为目标在对应图像中的位置信息。
[0105] 本实施例中，关键点信息可以为其对应的图像中的所有关键点的信息。
[0106] 本实施例中，检测网络优选为YOLO网络，其中，YOLO网络用于表用该检测网络是基于YOLO思想的网络模型。
[0107] 在本实施例中，检测网络优选的网络结构为卷积层～卷积层～卷积层～最大池化层～卷积层～卷积层的六层网络结构，并且在结合加权目标函数的基础上形成了基于YOLO思想的YOLO网络；使用该网络可以在满足多任务学习网络模型的构建的基础上，提高目标检测的准确程度。
[0108] S203、组合堆叠沙漏网络、检测网络、定位网络以及输出网络得到多任务学习网络模型。
[0109] 本实施例中，上述四个网络组合得到的多任务学习网络模型是一种深度学习模型的基本模型，该模型具有相应的定位能力，但仍需训练来提高其工作能力，从而才能确定出用于定位目标特征点的深度学习模型。
[0110] 在本实施例中，多任务学习模型为一体化网络模型，对此本实施例中不再多加赘述。
[0111] S204、获取关键点定位目标函数和边界检测目标函数。
[0112] 本实施例中，关键点定位目标函数可以是与定位网络相对应的。
[0113] 本实施例中，边界检测目标函数可以是与检测网络相对应的。
[0114] 在本实施例中，上述两个目标函数是基于预先设定好的网络提出来的两个目标函数，但是在实践的过程中，该深度学习模型中只需要一个目标函数，但是要完成整体的调整，因此获取上述两个目标函数是为了整个模型的构建提供的基础信息。
[0115] 本实施例中，关键点定位目标函数可以利用L2损失计算特征点定位任务的损失，计算公式如下：
[0116]
[0117] 其中，yi表示网络的预测值， 表示对应的目标值，n表示样本数目。
[0118] 本实施例中，边界检测目标函数的设置是在YOLO网络原定义的损失上进行优化，计算公式如下：
[0119]
[0120] 其中，λcoord为坐标损失调节系数；λnoobj为不含有物体格子的预测损失调节系数；S表示对图像的划分；B表示每个格子要预测边界框的数目；xi、yi表示第i个格子预测物体中心点的横、纵坐标； 表示第i个格子中物体中心点真实的横、纵坐标；wi、hi表示预测的物体宽度、高度； 表示物体真实的宽度、高度；Ci表示第i个格子预测包含物体的概率； 表示第i个且包含物体的格子预测的第j个边界框的损失系数， 的计算公式如下：
[0121]
[0122] 其中，c_col表示包含物体中心点的格子所在的列；c_row表示包含物体中心点的格子所在的行；σw表示高斯分布在图像宽度方向上的方差；σh表示高斯分布在图像高度方向上的方差；两个方向方差的通项公式定义如下：
[0123]
[0124]
[0125] 其中，factor是用来控制决策权重随着与中心点格子距离增加的下降速度的调节因子，box_w表示包含物体的矩形框的宽度、box_h表示包含物体的矩形框的高度。
[0126] 通过对factor值的设置可以将权重下降速度分为不同的等级，该等级的划分依据为决策权重从中心位置的1下降到0.1所需要经过格子的数目，本发明中依据输出特征图的大小将等级控制为8个，等级1到8分别对应的格子数目为2、4、6、8、12、16、24、32，对应的factor的取值为2.65、5.3、8、10.6、16、21.2、32、42.5。考虑到要预测物体的长宽通常存在一定的差异，本发明的下降原则为，从物体中心点所在格子沿水平方向和竖直方向同时出发到达物体边界框所在的格子时，两个格子具有同等的决策能力，可以利用预测物体的宽度和高度对方差进行调节来实现。
[0127] S205、根据关键点定位目标函数和边界检测目标函数进行加权计算得到加权目标函数。
[0128] 本实施例中，目标函数设置，采用加权和的方式来将两个任务的损失融合到一起，计算公式如下：
[0129] Ltotal＝λkpsLkps+Ldet+μ||w||2；
[0130] 其中，Lkps为特征点定位任务的损失，Ldet为人体边界框回归任务的损失，||w||2是用于控制网络模型复杂程度减小网络过拟合可能性的L2范数，λkps和μ是用来调节各部分损失在整体损失中所占的比例。
[0131] S206、在多任务学习网络模型中设置加权目标函数、预设训练条件以及与输入数据对应的超参数，得到第一训练模型。
[0132] 本实施例中，加权目标函数是应用于该多任务学习网络模型中的特定目标函数，其中，该加权目标函数是由多个目标函数进行加权得到的。
[0133] 本实施例中，预设训练条件用于确定训练的程度，并且在满足该预设训练条件的基础上结束训练的过程，并获取到用于定位目标特征点的深度学习模型。
[0134] 本实施例中，与输入数据对应的超参数具体可以包括与输入数据对应的数据要求、堆叠沙漏网络的堆叠次数、的堆叠沙漏网络的阶数、训练批尺寸、网络优化器、学习率初始值以及学习率调整要求
[0135] 在本实施例中，与输入数据对应的数据要求可以包括“网络的输入为256×256大小的三通道彩色图像”；堆叠沙漏网络的堆叠次数为2，堆叠沙漏网络的阶数为4；训练时批尺寸(batch_size)设置为20；网络优化器选用RMSProp算法(均方根反向传播算法，RMSProp‑4算法是RProp算法的改良版)；学习率的初始值为2.5*10 ；学习率调整要求为训练过程中步数每增加50000步学习率下降到原来的10％。
[0136] 本实施例中，第一训练模型又可以称为待训练模型，可以理解的是，该第一训练模型在接收到训练数据的时候便可以开始训练。
[0137] S207、获取预设的训练集和预设的验证集。
[0138] 本实施例中，训练集用于训练深度学习模型，验证集用于测试深度学习模型。
[0139] S208、通过训练集对第一训练模型进行训练，得到第二训练模型。
[0140] 本实施例中，第一训练模型是基于训练集训练的。
[0141] 本实施例中，第二训练模型是第一训练模型训练得到的。
[0142] S209、通过验证集对第二训练模型进行测试，并通过训练集对第二训练模型进行测试，得到与验证集对应的第一测试结果以及与训练集对应的第二测试结果。
[0143] 本实施例中，通过验证集对第二训练模型进行测试得到的第一测试结果。
[0144] 本实施例中，通过训练集对第二训练模型进行测试得到的第二测试结果。
[0145] 本实施例中，第一测试结果和第二测试结果与最终深度学习模型的输出结果相类似。
[0146] S210、根据第一测试结果和第二测试结果进行计算，得到与第二训练模型相对应的训练信息。
[0147] 本实施例中，根据第一测试结果和第二测试结果两者计算获取到两者之间的误差值，并将该误差值确定为与第二训练模型相对应的训练信息。
[0148] 在本实施例中，上述误差值的单位可以为像素。
[0149] S211、在误差差值大于误差阈值时，保存第二训练模型为用于定位目标特征点的深度学习模型。
[0150] 本实施例中，与第二训练模型相对应的训练信息包括误差差值，预设训练条件包括误差阈值。
[0151] 本实施例中，该步骤用于表明在训练集和验证集上的误差差值大于误差阈值时，停止对网络模型的训练并保存此刻模型的结构和参数。
[0152] 本实施例中，上述误差阈值可以选取2000；单位可以为像素。
[0153] 可见，实施图2所描述的用于定位多目标特征点的深度学习模型的构建方法，能够结合多个人工智能网络得到一个能够定位目标特征点的深度学习模型，再通过设置加权目标函数、预设训练条件以及超参数来对上述的深度学习模型进行训练，得到训练后的深度学习模型，并在满足想要达到的训练条件时，确定训练后的深度学习模型为用于定位目标特征点的深度学习模型，从而实现该用于定位多目标特征点的深度学习模型的构建，同时，在该用于定位目标特征点的深度学习模型构建完成之后，可以通过使用该深度学习模型来有效地提高对目标特征点(或称为关键点)的识别精度。
[0154] 实施例3
[0155] 请参看图3，图3为本申请实施例提供的一种用于定位多目标特征点的深度学习模型的构建装置的结构示意图。其中，该用于定位多目标特征点的深度学习模型的构建装置包括：
[0156] 获取单元310，用于获取用于提取输入数据包括的特征数据的堆叠沙漏网络、用于根据特征数据进行目标检测得到目标位置信息的检测网络、用于根据特征数据进行关键点检测得到关键点信息的定位网络以及用于组合目标位置信息和关键点信息得到目标特征点并输出目标特征点的输出网络；
[0157] 组合单元320，用于组合堆叠沙漏网络、检测网络、定位网络以及输出网络得到多任务学习网络模型；
[0158] 设置单元330，用于在多任务学习网络模型中设置加权目标函数、预设训练条件以及与输入数据对应的超参数，得到第一训练模型；
[0159] 训练单元340，用于对第一训练模型进行训练，得到第二训练模型和与第二训练模型相对应的训练信息；
[0160] 存储单元350，用于在训练信息满足预设训练条件时，保存第二训练模型为用于定位目标特征点的深度学习模型。
[0161] 本实施例中，用于定位多目标特征点的深度学习模型的构建装置可以引用上述用于定位多目标特征点的深度学习模型的构建方法中的所有解释说明内容以及追加内容，对此本实施例中不再多加赘述。
[0162] 可见，实施图3所描述的用于定位多目标特征点的深度学习模型的构建装置，能够结合多个人工智能网络得到一个能够定位目标特征点的深度学习模型，再通过设置加权目标函数、预设训练条件以及超参数来对上述的深度学习模型进行训练，得到训练后的深度学习模型，并在满足想要达到的训练条件时，确定训练后的深度学习模型为用于定位目标特征点的深度学习模型，从而实现该用于定位多目标特征点的深度学习模型的构建，同时，在该用于定位目标特征点的深度学习模型构建完成之后，可以通过使用该深度学习模型来有效地提高对目标特征点(或称为关键点)的识别精度。
[0163] 实施例4
[0164] 请参看图4，图4为本申请实施例提供的另一种用于定位多目标特征点的深度学习模型的构建装置的结构示意图。图4所描述的用于定位多目标特征点的深度学习模型的构建装置的结构示意图是根据图3所描述的用于定位多目标特征点的深度学习模型的构建装置的结构示意图进行改进得到的。其中，该用于定位多目标特征点的深度学习模型的构建装置还包括：
[0165] 预处理单元360，用于通过预处理网络获取预设的训练集，并对训练集进行预处理得到输入数据。
[0166] 作为一种可选的实施方式，获取单元310还可以用于获取关键点定位目标函数和边界检测目标函数；
[0167] 用于定位多目标特征点的深度学习模型的构建装置还包括的计算单元370，用于根据关键点定位目标函数和边界检测目标函数进行加权计算得到加权目标函数。
[0168] 作为一种可选的实施方式，训练单元340包括：
[0169] 获取子单元341，用于获取预设的训练集和预设的验证集；
[0170] 训练子单元342，用于通过训练集对第一训练模型进行训练，得到第二训练模型；
[0171] 测试子单元343，用于通过验证集对第二训练模型进行测试，并通过训练集对第二训练模型进行测试，得到与验证集对应的第一测试结果以及与训练集对应的第二测试结果；
[0172] 计算子单元344，用于根据第一测试结果和第二测试结果进行计算，得到与第二训练模型相对应的训练信息。
[0173] 作为一种可选的实施方式，在与第二训练模型相对应的训练信息包括误差差值，预设训练条件包括误差阈值的基础下，存储单元350具体用于在误差差值大于误差阈值时，保存第二训练模型为用于定位目标特征点的深度学习模型。
[0174] 本实施例中，用于定位多目标特征点的深度学习模型的构建装置可以引用上述用于定位多目标特征点的深度学习模型的构建方法中的所有解释说明内容以及追加内容，对此本实施例中不再多加赘述。
[0175] 可见，实施图4所描述的用于定位多目标特征点的深度学习模型的构建装置，能够结合多个人工智能网络得到一个能够定位目标特征点的深度学习模型，再通过设置加权目标函数、预设训练条件以及超参数来对上述的深度学习模型进行训练，得到训练后的深度学习模型，并在满足想要达到的训练条件时，确定训练后的深度学习模型为用于定位目标特征点的深度学习模型，从而实现该用于定位多目标特征点的深度学习模型的构建，同时，在该用于定位目标特征点的深度学习模型构建完成之后，可以通过使用该深度学习模型来有效地提高对目标特征点(或称为关键点)的识别精度。
[0176] 本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行根据本申请实施例1或实施例2中任一项用于定位多目标特征点的深度学习模型的构建装置方法。
[0177] 本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例1或实施例2中任一项用于定位多目标特征点的深度学习模型的构建装置方法。
[0178] 在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0179] 另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0180] 所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0181] 以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0182] 以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
[0183] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
