申请/专利权人:中山大学
申请日:2022-01-06
公开(公告)日:2024-04-05
公开(公告)号:CN114463694B
主分类号:G06V20/52
分类号:G06V20/52;G06V10/774;G06V10/764;G06V10/80;G06V10/82;G06N3/0464;G06N3/048;G06N3/0895
优先权:
专利状态码:有效-授权
法律状态:2024.04.05#授权;2022.05.27#实质审查的生效;2022.05.10#公开
摘要:本发明公开了一种基于伪标签的半监督人群计数方法及装置,包括:获取并输入人群图片训练集;分别得到每幅人群图片所对应的人群密度等级概率分布向量、预测密度图、密度图伪标签和人群密度等级聚合分数向量;依次对所有的人群图片进行损失函数计算,并监督迭代训练,以使在每一次迭代训练中,根据人群密度等级概率分布向量和人群密度等级聚合分数向量的交叉熵损失,以及,预测密度图的L2损失,来进行监督迭代训练,直至所有的人群图片都进行监督迭代训练,从而完成了对人群计数模型的训练;将待计数的人群图片输入已完成训练的人群计数模型,从而得到预测人群数量。本发明解决了现有技术中依赖大量有标记数据的局限性问题。
主权项:1.一种基于伪标签的半监督人群计数方法,其特征在于,包括:获取并输入人群图片训练集;其中,所述人群图片训练集包括有标记人群图片和无标记人群图片;对所述人群图片训练集中所有的人群图片分别进行密度等级分类、密度图预测、伪标签标记和密度等级聚合,分别得到每幅人群图片所对应的人群密度等级概率分布向量、预测密度图、密度图伪标签和人群密度等级聚合分数向量;对每幅骨干网络特征图进行第一特征过渡,分别得到每幅骨干网络特征图对应的密度等级特征图,并对每幅所述密度等级特征图进行自适应平均池化和展平,分别得到每幅所述密度等级特征图所对应的人群密度等级概率分布向量;对每幅骨干网络特征图进行第二特征过渡,分别得到每幅骨干网络特征图对应的密度特征图;对每幅骨干网络特征图进行第三特征过渡,分别得到每幅骨干网络特征图对应的密度等级激活特征图;对每幅骨干网络特征图所对应的密度等级特征图、密度特征图和密度等级激活特征图进行拼接与特征融合,得到每幅骨干网络特征图所对应的预测密度图;对每幅所述密度等级激活特征图进行密度等级激活,分别得到每幅密度等级激活特征图所对应的预设通道数的特征图,对每幅预设通道数的特征图进行对数求和指数处理,得到每幅预设通道数的特征图所对应的人群密度等级聚合分数向量;对每幅预设通道数的特征图进行计算,得到每幅预设通道数的特征图所对应的等级加权密度图,对每幅等级加权密度图和每幅预测密度图一一对应进行密度融合,得到每幅等级加权密度图对应的密度图伪标签;依次对所有的人群图片进行损失函数计算,并监督迭代训练,以使在每一次迭代训练中,根据真值密度等级或伪密度等级分别对人群密度等级概率分布向量和人群密度等级聚合分数向量的交叉熵损失,以及,真值密度图或密度图伪标签对预测密度图的L2损失,来进行监督迭代训练,直至人群图片训练集中所有的人群图片都进行监督迭代训练,从而完成了对人群计数模型的训练;其中,所述真值密度等级和所述真值密度图由所述有标记人群图片的真值标注处理得到,所述伪密度等级由所述无标记人群图片处理得到;将待计数的人群图片输入已完成训练的人群计数模型,得到待计数的人群图片的预测密度图,从而得到预测人群数量。
全文数据:
权利要求:
百度查询: 中山大学 一种基于伪标签的半监督人群计数方法及装置
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。