基于深度学习的姿态估计方法以及系统

本发明提供一种基于深度学习的姿态估计方法以及系统，应用于图像识别领域，其中，方法包括：获取目标图像、自然语言指令以及模板图像；通过预设的提示生成器，分别对自然语言指令与模板图像进行编码，得到文本特征与视觉特征；通过提示生成器的大语言模型，对文本特征与视觉特征进行多模态特征融合，得到多模态特征信息；通过提示生成器的视觉嵌入投影层，基于多模态特征信息，生成姿态提示向量；将目标图像与姿态提示向量输入至预设的姿态估计器，得到姿态估计器输出的关键点热力图；对关键点热力图进行关键点位置解析，得到目标图像的姿态估计结果。通过本发明能够灵活地适应不同的类别的姿态估计需求。