一种少样本的关键节点识别方法、系统、设备及存储介质

技术领域

本发明涉及关键节点识别领域，尤其是涉及一种少样本的关键节点识别方法、系统、设备及存储介质。

背景技术

现有业务场景里，存在很多因训练样本少导致关键节点识别的错误率较高的情况。例如在施工工人对电杆进行推杆安全检查中，由于推杆场景下的人体形态的训练样本数量较少，因此导致了现有的关键节点识别定位效果很差。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种少样本的关键节点识别方法、系统、设备及存储介质，能够使用少量标注示例进行监督学习来提取关键节点，增强泛化性，同时从二维和三维两个层面约束关键节点，并通过边缘和和不确定性进行图像重构，以保证得到的关键节点集准确，同时提高关键节点识别的鲁棒性。

第一方面，本发明的实施例提供了一种少样本的关键节点识别方法，所述少样本的关键节点识别方法包括：

获取第一图像；

通过深度残差网络提取所述第一图像的第一关键节点和所述第一关键节点对应的不确定性值；

将具有所述第一关键节点注释的所述第一图像与没有注释的第二图像通过网络模型进行监督训练，得到所述监督训练中的第一损失函数结果；

将所述第一图像进行二维变换，得到第三图像和所述第三图像上的第二关键节点，并计算所述第一关键节点和所述第二关键节点之间的第二损失函数结果；

生成所述第一关键节点对应的深度，将所述深度与所述第一关键节点拼接得到三维关键节点，并根据三维空间的自相似性计算所述三维关键节点之间的第三损失函数结果；

将所述第一关键节点和所述不确定值连接得到边缘图，通过所述边缘图和预设的遮蔽图像重构得到重构图像，并计算所述第一图像和所述重构图像的第四损失函数结果；

通过所述第一损失函数结果、所述第二损失函数结果、所述第三损失函数结果和所述第四损失函数结果联合迭代训练，并计算得到联合损失函数结果，直到所述联合损失函数结果达到预设条件，停止联合迭代训练并得到最优的关键节点集。

根据本发明实施例的方法，至少具有如下有益效果：

首先通过深度残差网络提取第一图像的第一关键节点和第一关键节点对应的不确定性值，能够利用深度残差网络的上采样准确地提取第一关键节点和第一关键节点对应的不确定性值，提高提取的准确性；其次将具有第一关键节点注释的第一图像与没有注释的第二图像通过网络模型进行监督训练，能够提高模型的泛化性能和鲁棒性来应对样本较少的情况，同时训练过程中网络模型能够同时学习少样本关键节点定位和适应无注释图像的能力；然后通过对第一关键节点的二维变换和三维转换的约束，使二维变换的等变性和三维视角的一致性得到保障，提高了识别关键节点集的鲁棒性；再然后将第一关键节点和不确定值连接得到边缘图，通过边缘图和预设的遮蔽图像重构得到重构图像，根据重构图像和第一图像之间的差异损失监督，提升对关键节点提取的学习能力，提高关键节点识别的准确度和鲁棒性。

根据本发明的一些实施例，所述通过深度残差网络提取所述第一图像的第一关键节点和所述第一关键节点对应的不确定性值，包括：

通过所述深度残差网络预测所述第一图像得到预设数量的热图和所述预设数量的不确定性图；

根据所述热图提取所述第一关键节点，并根据所述不确定性图与所述热图的权重进行加权求和得到不确定性值。

根据本发明的一些实施例，所述将具有所述第一关键节点注释的所述第一图像与没有注释的第二图像通过网络模型进行监督训练，得到所述监督训练中的第一损失函数结果，包括：

通过所述第一图像和所述第二图像随机对所述网络模型进行训练；

计算所述第一图像中的第一关键节点与所述第一图像的实际关键节点之间的偏差，并通过第一损失函数对所述偏差进行惩罚，以使所述网络模型得到监督。

根据本发明的一些实施例，所述将所述第一图像进行二维变换，得到第三图像和所述第三图像上的第二关键节点，并计算所述第一关键节点和所述第二关键节点之间的第二损失函数结果，包括：

根据迭代次数线性增加所述第一图像的二维变化范围，根据所述二维变化范围对所述第一图像进行二维变换，得到第三图像和所述第三图像上的第二关键节点；

计算所述第一关键节点和所述第二关键节点之间的差值，并通过第二损失函数监督所述差值最小化，得到所述第二损失函数结果。

根据本发明的一些实施例，所述生成所述第一关键节点对应的深度，将所述深度与所述第一关键节点拼接得到三维关键节点，包括：

通过检测器生成所述第一关键节点对应的深度图；

计算所述深度图的加权和，得到所述第一关键节点对应的深度；

将所述深度与所述第一关键节点拼接得到三维关键节点。

根据本发明的一些实施例，所述根据三维空间的自相似性计算所述三维关键节点之间的第三损失函数结果，包括：

将不同的所述三维关键节点转换成示例三维关键节点和所述示例三维关键节点相似变换得到的变换三维关键节点；

计算所述示例三维关键节点和所述变换三维关键节点之间的第三损失函数结果，并通过所述第三损失函数结果监督所述变换三维关键节点进行靠近所述三维关键节点的相似变换。

根据本发明的一些实施例，所述通过所述边缘图和预设的遮蔽图像重构得到重构图像，并计算所述第一图像和所述重构图像的第四损失函数结果，包括：

将所述边缘图和所述遮蔽图像连接后输入至UNet网络，得到所述UNet网络输出的所述重构图像；

计算所述重构图像和所述第一图像之间的重构损失和感知损失，得到所述第四损失函数结果并根据所述第四损失函数结果监督所述UNet网络的训练。

第二方面，本发明的实施例提供了一种少样本的关键节点识别系统，所述少样本的关键节点识别系统包括：

图像获取模块，用于获取第一图像；

第一关键节点提取与不确定性检测模块，用于通过深度残差网络提取所述第一图像的第一关键节点和所述第一关键节点对应的不确定性值；

监督训练模块，用于将具有所述第一关键节点注释的所述第一图像与没有注释的第二图像通过网络模型进行监督训练，得到所述监督训练中的第一损失函数结果；

二维几何约束模块，用于将所述第一图像进行二维变换，得到第三图像和所述第三图像上的第二关键节点，并计算所述第一关键节点和所述第二关键节点之间的第二损失函数结果；

三维几何约束模块，用于生成所述第一关键节点对应的深度，将所述深度与所述第一关键节点拼接得到三维关键节点，并根据三维空间的自相似性计算所述三维关键节点之间的第三损失函数结果；

图像重构模块，用于将所述第一关键节点和所述不确定值连接得到边缘图，通过所述边缘图和预设的遮蔽图像重构得到重构图像，并计算所述第一图像和所述重构图像的第四损失函数结果；

联合训练模块，用于通过所述第一损失函数结果、所述第二损失函数结果、所述第三损失函数结果和所述第四损失函数结果联合迭代训练，并计算得到联合损失函数结果，直到所述联合损失函数结果达到预设条件，停止联合迭代训练并得到最优的关键节点集。

第三方面，本发明的实施例提供了一种电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如第一方面所述的少样本的关键节点识别方法。

第四方面，本发明的实施例提供了一种计算机存储介质，所述计算机可读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用于使计算机执行如第一方面所述的少样本的关键节点识别方法。

需要注意的是，本发明的第二方面和第三方面与现有技术之间的有益效果与第一方面的插件快速接入方法的有益效果相同，此处不再细述。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明一实施例提供的一种少样本的关键节点识别方法的流程图；

图2是本发明一实施例提供的通过深度残差网络提取第一图像的第一关键节点和第一关键节点对应的不确定性值的流程图；

图3是本发明一实施例提供的将具有第一关键节点注释的第一图像与没有注释的第二图像通过网络模型进行监督训练得到监督训练中的第一损失函数结果的流程图；

图4是本发明一实施例提供的将第一图像进行二维变换得到第三图像和第三图像上的第二关键节点，并计算第一关键节点和第二关键节点之间的第二损失函数结果的流程图；

图5是本发明一实施例提供的生成第一关键节点对应的深度，将深度与第一关键节点拼接得到三维关键节点的流程图；

图6是本发明一实施例提供的根据三维空间的自相似性计算三维关键节点之间的第三损失函数结果的流程图；

图7是本发明一实施例提供的通过边缘图和预设的遮蔽图像重构得到重构图像并计算第一图像和重构图像的第四损失函数结果的第二损失函数结果的流程图；

图8是本发明一实施例提供的一种少样本的关键节点识别方法的示意图；

图9是本发明一实施例提供的一种少样本的关键节点识别系统的结构示意图；

图10是本发明一实施例提供的电子设备的结构图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

本发明的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

参照图1，在本发明的一些实施例中，提供了一种少样本的关键节点识别方法，少样本的关键节点识别方法包括：

步骤S100、获取第一图像。

步骤S200、通过深度残差网络提取第一图像的第一关键节点和第一关键节点对应的不确定性值。

步骤S300、将具有第一关键节点注释的第一图像与没有注释的第二图像通过网络模型进行监督训练，得到监督训练中的第一损失函数结果。

步骤S400、将第一图像进行二维变换，得到第三图像和第三图像上的第二关键节点，并计算第一关键节点和第二关键节点之间的第二损失函数结果。

步骤S500、生成第一关键节点对应的深度，将深度与第一关键节点拼接得到三维关键节点，并根据三维空间的自相似性计算三维关键节点之间的第三损失函数结果。

步骤S600、将第一关键节点和不确定值连接得到边缘图，通过边缘图和预设的遮蔽图像重构得到重构图像，并计算第一图像和重构图像的第四损失函数结果。

步骤S700、通过第一损失函数结果、第二损失函数结果、第三损失函数结果和第四损失函数结果联合迭代训练，并计算得到联合损失函数结果，直到联合损失函数结果达到预设条件，停止联合迭代训练并得到最优的关键节点集。

首先通过深度残差网络提取第一图像的第一关键节点和第一关键节点对应的不确定性值，能够利用深度残差网络的上采样准确地提取第一关键节点和第一关键节点对应的不确定性值，提高提取的准确性；其次将具有第一关键节点注释的第一图像与没有注释的第二图像通过网络模型进行监督训练，能够提高模型的泛化性能和鲁棒性来应对样本较少的情况，同时训练过程中网络模型能够同时学习少样本关键节点定位和适应无注释图像的能力；然后通过对第一关键节点的二维变换和三维转换的约束，使二维变换的等变性和三维视角的一致性得到保障，提高了识别关键节点集的鲁棒性；再然后将第一关键节点和不确定值连接得到边缘图，通过边缘图和预设的遮蔽图像重构得到重构图像，根据重构图像和第一图像之间的差异损失监督，提升对关键节点提取的学习能力，提高关键节点识别的准确度和鲁棒性。

参照图2，在本发明的一些实施例中，通过深度残差网络提取第一图像的第一关键节点和第一关键节点对应的不确定性值，包括：

步骤S201、通过深度残差网络预测第一图像得到预设数量的热图和预设数量的不确定性图。

需要说明的是，根据给定的第一图像I∈R

步骤S202、根据热图提取第一关键节点，并根据不确定性图与热图的权重进行加权求和得到不确定性值。

需要说明的是，第一关键节点k

其中，w(p)表示权重，p表示所有数值经过标准化处理变成了[-1,1]区间的标准化数值。

通过具有上采样的ResNet模型预测热图和不确定性值，能够不断优化预测的准度，同时通过不确定性值来提高预测的鲁棒性，两者结合能够提高后续第一关键节点提取的鲁棒性和准确度。

参照图3，在本发明的一些实施例中，将具有第一关键节点注释的第一图像与没有注释的第二图像通过网络模型进行监督训练，得到监督训练中的第一损失函数结果，包括：

步骤S301、通过第一图像和第二图像随机对网络模型进行训练。

需要说明的是，带有第一关键节点注释的第一图像用于指导网络学习准确的关键节点定位；没有注释的第二图像用于增加数据的多样性，并使网络能够处理未标注的图像。

步骤S302、计算第一图像中的第一关键节点与第一图像的实际关键节点之间的偏差，并通过第一损失函数对偏差进行惩罚，以使网络模型得到监督。

需要说明的是，通过第一损失函数对偏差进行惩罚的计算公式如下：

其中，|A|表示实际关键节点的数量，k

通过随机选择这两种类型的图像，在训练过程中模型能够同时学习少样本关键节点定位和适应无注释图像的能力。这样的训练策略可以提高模型的泛化性能和鲁棒性，使其能够处理在实际应用中可能遇到的各种情况。

参照图4，在本发明的一些实施例中，将第一图像进行二维变换，得到第三图像和第三图像上的第二关键节点，并计算第一关键节点和第二关键节点之间的第二损失函数结果，包括：

步骤S401、根据迭代次数线性增加第一图像的二维变化范围，根据二维变化范围对第一图像进行二维变换，得到第三图像和第三图像上的第二关键节点。

需要说明的是，二维变换是仿射变换、翻转和颜色扰动的组合操作函数。等变性损失在训练的前几个迭代中会显著影响性能。因此，为了稳定训练过程，根据迭代次数线性增加二维变换的范围。

步骤S402、计算第一关键节点和第二关键节点之间的差值，并通过第二损失函数监督差值最小化，得到第二损失函数结果。

需要说明的是，第二损失函数结果为变性损失函数，变性损失函数的计算公式如下：

其中，N表示样本数量，I

通过变性损失函数保证第一关键节点对于二维图像的变换具有等变性，从而增强关键节点提取的鲁棒性。

参照图5，在本发明的一些实施例中，生成第一关键节点对应的深度，将深度与第一关键节点拼接得到三维关键节点，包括：

步骤S511、通过检测器生成第一关键节点对应的深度图。

步骤S512、计算深度图的加权和，得到第一关键节点对应的深度。

步骤S513、将深度与第一关键节点拼接得到三维关键节点。

需要说明的是，深度图的加权和的计算公式如下：

d

其中，D

通过深度来进行三维还原，既能通过计算复杂度较小的加权和得到深度来与第一关键节点拼接得到三维关键节点，又能够简化三维还原的难度，不需要进行多个视角的三维还原。

参照图6，在本发明的一些实施例中，根据三维空间的自相似性计算三维关键节点之间的第三损失函数结果，包括：

步骤S521、将不同的三维关键节点转换成示例三维关键节点和示例三维关键节点相似变换得到的变换三维关键节点。

可以理解的是，在没有三维标签和多个视角的情况下，通过利用相同物体的不同实例在三维空间中的自相似性来学习这些三维关键节点。但是如果仅强制要求不同物体上的所有关键节点相似，会导致不同实例完全相同，这是不合理的。因此将不同的三维关键节点转换成示例三维关键节点和示例三维关键节点相似变换得到的变换三维关键节点。

步骤S522、计算示例三维关键节点和变换三维关键节点之间的第三损失函数结果，并通过第三损失函数结果监督变换三维关键节点进行靠近三维关键节点的相似变换。

需要说明的是，对于示例三维关键节点

其中，min表示最小函数。

优选的是，同时为了防止过早过拟合，前200次迭代中，在批处理中随机配对部分为三维关键节点和实际关键节点，之后选择最下化第三损失函数结果的部分配对。

通过第三损失函数结果的约束保证了三维关键节点的多视角一致性，并进行了无监督三维关键节点的学习，提高了关键节点识别的准确度和鲁棒性。

参照图7，在本发明的一些实施例中，通过边缘图和预设的遮蔽图像重构得到重构图像，并计算第一图像和重构图像的第四损失函数结果，包括：

步骤S601、将边缘图和遮蔽图像连接后输入至UNet网络，得到UNet网络输出的重构图像。

需要说明的是，为了更好地通过边缘图从遮蔽图像中得到重构图像，考虑了关键节点的不确定性。定义了两个关键节点的连接，绘制一个可微的边缘图，其中边缘沿着线条呈高斯分布。边缘图的定义如下：

S

其中，σ是控制边缘厚度的可学习参数，d

其中，t是第一关键节点K

最后，在每个像素处取所有热图的最大值，得到边缘图，具体公式如下：

S(p)＝αmax

其中，α表示边缘图的权重，max

这样可以避免不确定性和卷积核权重之间的交叉影响。

步骤S602、计算重构图像和第一图像之间的重构损失和感知损失，得到第四损失函数结果并根据第四损失函数结果监督UNet网络的训练。

需要说明的是，第四损失函数结果的计算公式如下：

其中，I′

最小化重构损失和感知损失可以帮助利用第一关键节点的语义信息从遮蔽的图像中恢复出重构图像，提升对于第一图像中第一关键节点的学习能力。

参照图8，为了方便本领域技术人员理解，本发明的一个具体实施例，提供一种少样本的关键节点识别方法,包括如下步骤：

第一步、关键节点提取与不确定性检测。

根据给定的第一图像I∈R

第一关键节点k

其中，w(p)表示权重，p表示所有数值经过标准化处理变成了[-1,1]区间的标准化数值。

第二步、少样本的二维图像监督训练。

带有第一关键节点注释的第一图像用于指导网络学习准确的关键节点定位；没有注释的第二图像用于增加数据的多样性，并使网络能够处理未标注的图像。

通过第一图像和第二图像随机对网络模型进行训练；计算第一图像中的第一关键节点与第一图像的实际关键节点之间的偏差，并通过第一损失函数对偏差进行惩罚，以使网络模型得到监督。

其中，通过第一损失函数对偏差进行惩罚的计算公式如下：

其中，|A|表示实际关键节点的数量，k

第三步、二维几何约束。

根据迭代次数线性增加第一图像的二维变化范围，根据二维变化范围对第一图像进行二维变换，得到第三图像和第三图像上的第二关键节点。其中，二维变换是仿射变换、翻转和颜色扰动的组合操作函数。等变性损失在训练的前几个迭代中会显著影响性能。因此，为了稳定训练过程，根据迭代次数线性增加二维变换的范围。

计算第一关键节点和第二关键节点之间的差值，并通过第二损失函数监督差值最小化，得到第二损失函数结果。其中，第二损失函数结果为变性损失函数，变性损失函数的计算公式如下：

其中，N表示样本数量，I

通过变性损失函数保证第一关键节点对于二维图像的变换具有等变性，从而增强关键节点提取的鲁棒性。

第四步、三维几何约束。

通过检测器生成第一关键节点对应的深度图；计算深度图的加权和，得到第一关键节点对应的深度；将深度与第一关键节点拼接得到三维关键节点。其中，深度图的加权和的计算公式如下：

d

其中，D

在没有三维标签和多个视角的情况下，通过利用相同物体的不同实例在三维空间中的自相似性来学习这些三维关键节点。但是如果仅强制要求不同物体上的所有关键节点相似，会导致不同实例完全相同，这是不合理的。因此将不同的三维关键节点转换成示例三维关键节点和示例三维关键节点相似变换得到的变换三维关键节点。

计算示例三维关键节点和变换三维关键节点之间的第三损失函数结果，并通过第三损失函数结果监督变换三维关键节点进行靠近三维关键节点的相似变换。

需要说明的是，对于示例三维关键节点

其中，min表示最小函数。

同时为了防止过早过拟合，前200次迭代中，在批处理中随机配对部分为三维关键节点和实际关键节点，之后选择最下化第三损失函数结果的部分配对。

第五步、基于几何感知进行图像重构。

为了更好地通过边缘图从遮蔽图像中得到重构图像，考虑了关键节点的不确定性。定义了两个关键节点的连接，绘制一个可微的边缘图，其中边缘沿着线条呈高斯分布。边缘图的定义如下：

S

其中，σ是控制边缘厚度的可学习参数，d

其中，t是第一关键节点K

最后，在每个像素处取所有热图的最大值，得到边缘图，具体公式如下：

S(p)＝α max

其中，α表示边缘图的权重，max

这样可以避免不确定性和卷积核权重之间的交叉影响。

然后，将边缘图和遮蔽图像连接后输入至UNet网络，得到UNet网络输出的重构图像；

计算重构图像和第一图像之间的重构损失和感知损失，得到第四损失函数结果并根据第四损失函数结果监督UNet网络的训练。其中，第四损失函数结果的计算公式如下：

其中，I′

最小化重构损失和感知损失可以帮助利用第一关键节点的语义信息从遮蔽的图像中恢复出重构图像，提升对于第一图像中第一关键节点的学习能力。

第六步、联合损失函数训练。

将第一损失函数结果、第二损失函数结果、第三损失函数结果和第四损失函数结果都加上权重系数，在模型训练时对其进行联合训练。

参照图9，本发明的一个实施例，还提供了一种少样本的关键节点识别系统，包括图像获取模块1001、第一关键节点提取与不确定性检测模块1002、监督训练模块1003、二维几何约束模块1004、三维几何约束模块1005、图像重构模块1006和联合训练模块1007，其中：

图像获取模块1001，用于获取第一图像。

第一关键节点提取与不确定性检测模块1002，用于通过深度残差网络提取第一图像的第一关键节点和第一关键节点对应的不确定性值。

监督训练模块1003，用于将具有第一关键节点注释的第一图像与没有注释的第二图像通过网络模型进行监督训练，得到监督训练中的第一损失函数结果。

二维几何约束模块1004，用于将第一图像进行二维变换，得到第三图像和第三图像上的第二关键节点，并计算第一关键节点和第二关键节点之间的第二损失函数结果。

三维几何约束模块1005，用于生成第一关键节点对应的深度，将深度与第一关键节点拼接得到三维关键节点，并根据三维空间的自相似性计算三维关键节点之间的第三损失函数结果。

图像重构模块1006，用于将第一关键节点和不确定值连接得到边缘图，通过边缘图和预设的遮蔽图像重构得到重构图像，并计算第一图像和重构图像的第四损失函数结果。

联合训练模块1007，用于通过第一损失函数结果、第二损失函数结果、第三损失函数结果和第四损失函数结果联合迭代训练，并计算得到联合损失函数结果，直到联合损失函数结果达到预设条件，停止联合迭代训练并得到最优的关键节点集。

需要说明的是，由于本实施例中的一种少样本的关键节点识别系统与上述的一种少样本的关键节点识别方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。

参考图10，本发明的另一个实施例，还提供了一种电子设备，该电子设备6000可以是任意类型的智能终端，例如手机、平板电脑、个人计算机等。

具体的，电子设备6000包括：一个或多个控制处理器6001和存储器6002，图10中以一个控制处理器6001与一个存储器6002为例，控制处理器6001和存储器6002可以通过总线或者其他方式连接，图10中以通过总线连接为例。

存储器6002作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的一种电子设备对应的程序指令/模块；

控制处理器6001通过运行存储在存储器6002中的非暂态软件程序、指令以及模块，从而执行一种少样本的关键节点识别方法的各种功能应用以及数据处理，即实现上述方法实施例的一种少样本的关键节点识别方法。

存储器6002可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储一种少样本的关键节点识别方法的使用所创建的数据等。此外，存储器6002可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器6002可选包括相对于控制处理器6001远程设置的存储器，这些远程存储器可以通过网络连接至该电子设备6000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

在一个或者多个模块存储在存储器6002中，当被该一个或者多个控制处理器6001执行时，执行上述方法实施例中的一种少样本的关键节点识别方法，例如执行以上描述的图1至图7的方法步骤。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

需要说明的是，由于本实施例中的一种电子设备与上述的一种少样本的关键节点识别方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。

本发明的一个实施例，还提供一种计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于执行：如上述实施例的少样本的关键节点识别方法。

需要说明的是，由于本实施例中的一种计算机可读存储介质与上述的一种少样本的关键节点识别方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储数据(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的数据并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何数据递送介质。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。