1.一種2D多人姿態估計網絡的對抗式訓練方法，其特征在于，包括以下步驟：

獲取人體圖像數據以及進行數據增強，將RGB圖片中三個通道的數值進行映射，對圖片中RGB三個通道進行歸一化處理；

利用截斷的高斯分布，將圖片中人體的關鍵點的位置坐標轉換成多通道的熱圖；

用卷積網絡、BN、Leaky?RELU構建姿態判別器網絡，構建以HRNet為主干的姿態網絡，進行Xavier初始化；

根據訓練后的姿態網絡，借助熱圖中最大值向次大值偏離四分之一的方式確定最終的關鍵點的位置坐標；

在訓練過程中，姿態網絡與姿態判別器網絡相互競爭，姿態判別器網絡的優化方向是鑒別數據是否來源于真實的數據分布，而姿態網絡則盡量生成符合實際數據分布的結果；

所述姿態網絡的損失函數如下：

L_pose＝log(1-D(H(x^(k))))+β(H^(k)-H(x^(k)))²

其中，x^(k)為輸入數據，β(H^(k)-H(x^(k)))²是通常使用的標簽與輸出之間的均方誤差，log(1-D(H(x^(k))))為姿態網絡中引入的對抗損失函數；

所述姿態判別器網絡的損失函數如下：

L_dis＝logD(H^(k)+Noise)+log(1-D(H(x^(k))))

在訓練過程中，隨機抽取樣本的數量為n，對于其中的每個樣本x^(k)，都將輸出一個對應的H(x^(k))；其中，H^(k)代表第k個人的熱圖標簽，Noise為加入的白噪聲，而x^(k)代表著輸入數據，D代表框架中的判別器；

所述姿態網絡θ_p的參數的更新方式如下：

在訓練過程中，隨機抽取樣本的數量為n，對于其中的每個樣本x^(k)，都將輸出一個對應的H(x^(k))；其中，H^(k)代表第k個人的熱圖標簽，而x^(k)代表著輸入數據；

所述姿態判別器網絡θ_d的參數的更新方式如下：

在訓練過程中，隨機抽取樣本的數量為n，對于其中的每個樣本x^(k)，都將輸出一個對應的H(x^(k))；其中，H^(k)代表第k個人的熱圖標簽，而x^(k)代表著輸入數據。