申请/专利权人:中国科学院大学
申请日:2020-08-20
公开(公告)日:2024-02-09
公开(公告)号:CN112101122B
主分类号:G06V20/52
分类号:G06V20/52;G06V10/774;G06V10/82;G06N3/0464;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2024.02.09#授权;2022.01.11#实质审查的生效;2020.12.18#公开
摘要:本发明涉及计算机视觉的技术领域,特别是涉及一种基于排序网络的弱监督物体数目估计方法,其不需要依赖物体位置标注信息来训练模型,节省人力资源,提高模型的通用性;包括:使用深度神经网络提取图像特征,使用自适应池化层来获取金字塔特征向量;使用全连接层来回归物体的数目;使用多分支排序网络来训练模型,利用Sinkhorn层将排序结果转变为排序矩阵,使用软标签传输矩阵作为真实值来计算损失。
主权项:1.一种基于排序网络的弱监督物体数目估计方法,其特征在于,包括:S1、使用预训练好的深度神经网络VGG-16提取图像特征,然后利用卷积操作回归密度图;利用自适应池化层从密度图中提取多尺度特征来捕获图像中的全局和局部信息,输入到全连接层回归物体数目,其中自适应池化层包括全局子簇层和局部子簇层两种类型;S2、使用图像物体数目排序网络对多尺度特征进行学习,使得多尺度特征对物体数目敏感,这里的排序网络为多分支网络,其输入为多张图像的多尺度特征,输出为依据图像中物体的数目进行排序的结果;S3、排序网络中使用Sinkhorn层将排序特征变为序数矩阵,利用图像中物体的真实数目构造软标签传输矩阵,使用交叉熵损失来训练排序网络,得到对物体数目敏感的特征;然后训练回归网络,最终得到物体数目回归模型。
全文数据:
权利要求:
百度查询: 中国科学院大学 一种基于排序网络的弱监督物体数目估计方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。