CN113343882A - 人群计数方法、装置、电子设备及存储介质 - Google Patents
人群计数方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113343882A CN113343882A CN202110685840.6A CN202110685840A CN113343882A CN 113343882 A CN113343882 A CN 113343882A CN 202110685840 A CN202110685840 A CN 202110685840A CN 113343882 A CN113343882 A CN 113343882A
- Authority
- CN
- China
- Prior art keywords
- target
- neural network
- training
- feature
- integrated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 138
- 238000013528 artificial neural network Methods 0.000 claims abstract description 77
- 239000011159 matrix material Substances 0.000 claims abstract description 72
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 60
- 230000009467 reduction Effects 0.000 claims abstract description 46
- 230000009466 transformation Effects 0.000 claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 34
- 230000010354 integration Effects 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000011176 pooling Methods 0.000 description 16
- 238000007726 management method Methods 0.000 description 6
- 238000007500 overflow downdraw method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像分类技术,揭露了一种人群计数方法,包括:对训练图片集执行高斯核梯度不同的高斯变换处理,得到高斯变换后的矩阵图集,利用所述矩阵图集对预构建的卷积核梯度不同的并行卷积神经网络进行特征提取训练,得到目标特征图集和目标并行卷积神经网络,利用所述目标特征图集对预构建的全连接神经网络进行特征降维训练,得到目标全连接神经网络,组合所述目标并行卷积神经网络和所述目标全连接神经网络为集成模型,利用所述矩阵图集对所述集成模型进行集成训练,得到可用于人群计数的目标集成模型。本发明还提出一种人群计数装置、电子设备及存储介质。本发明可以解决单一人群计数模型不能同时兼顾高密度和低密度人群场景的问题。
Description
技术领域
本发明涉及图像分类技术领域,尤其涉及一种人群计数方法、装置、电子设备及计算机可读存储介质。
背景技术
人群计数技术是一种通过非人工手段快速获取特定区域内的人头数的技术。人群计数技术在安防监控、交通监控、公共安全、特定场景精准管理等领域具有广泛的应用,例如,根据实时人群计数结果,及时调整进入景区的游客数量,可以有效保障景区内的公共安全。
当前人群计数的难点在于不同场景、不同时段的人群密度分布不均。当前人群计数主流方法是针对高密度人群和低密度人群这两种不同场景,设计不同的基于深度学习的网络模型实现人头数的预测,单一模型在高密度人群场景或在低密度人群场景下有较好的人头预测表现,但是不能很好的同时兼顾高密度人群和低密度人群这两种场景。
发明内容
本发明提供一种人群计数方法、装置及计算机可读存储介质,其主要目的在于解决单一人群计数模型不能同时适用于高密度和低密度人群场景的的问题。
为实现上述目的,本发明提供的一种人群计数方法,包括:
获取训练图片集,并对所述训练图片集执行高斯核梯度不同的高斯变换处理,得到高斯变换后的矩阵图集;
利用所述矩阵图集对预构建的卷积核梯度不同的并行卷积神经网络进行特征提取训练,在所述特征提取训练的误差值满足第一预设条件时,得到目标特征图集和目标并行卷积神经网络;
利用所述目标特征图集对预构建的全连接神经网络进行特征降维训练,在所述特征降维训练的误差值满足第二预设条件时,得到目标全连接神经网络;
将所述目标并行卷积神经网络和所述目标全连接神经网络组合成集成模型,利用所述矩阵图集对所述集成模型进行集成训练,在所述集成训练的误差值满足第三预设条件时,得到目标集成模型;
利用所述目标集成模型对待测试图片进行人群计数,得到人群计数结果。
可选地,所述对所述训练图片集执行高斯核梯度不同的高斯变换处理,得到高斯变换后的矩阵图集,包括:
利用机器视觉工具将所述训练图片集转换为与所述训练图片集大小相同的标签矩阵集;
利用二维高斯变换公式生成不同梯度的高斯核;
利用不同梯度的高斯核对所述标签矩阵集进行计算,得到所述高斯变换后的矩阵图集。
可选地,所述利用所述矩阵图集对预构建的卷积核梯度不同的并行卷积神经网络进行特征提取训练,在所述特征提取训练的误差值满足第一预设条件时,得到目标特征图集和目标并行卷积神经网络,包括:
按照所述矩阵图集对应的高斯核的梯度大小与所述并行卷积神经网络中卷积核的梯度大小相同的原则,将所述矩阵图集分别输入到所述并行卷积神经网络对应的线路中;
并发执行所述并行卷积神经网络对应线路的特征提取的卷积计算,得到每条线路输出的特征图集;
对所有特征图集进行加权求平均计算,得到加权平均后的特征图集;
利用预测函数分别对所述加权平均后的特征图集进行计算,得到所述加权平均后的特征图集中每一张图片的预测人头数;
获取所述训练图片集中每一张图片的真实人头数;
利用预构建的第一损失函数计算所述每一张图片的预测人头数与对应的真实人头数的误差值;
判断所述误差值是否满足所述第一预设条件,若所述误差值不满足所述第一预设条件,则调整所述并行卷积神经网络的参数值,并返回所述同时并发执行所述并行卷积神经网络对应线路的特征提取的卷积计算的步骤;
若所述误差值满足所述第一预设条件,则停止所述提取特征的训练,得到所述目标特征图集和所述目标并行卷积神经网络。
可选地,所述对所有特征图集进行加权求平均计算,得到加权平均后的特征图集,包括:
根据所述并行卷积神经网络中每条线路对应的卷积核梯度的不同,对所述并行卷积神经网络中每条线路设置不同的权重值;
将所述每条线路输出的特征图集特征维度与对应线路的权重值相乘,得到所述每条线路输出的特征图集的加权值;
对所有特征图集的加权值执行平均操作,得到所述加权平均后的特征图集。
可选地,所述利用所述目标特征图集对预构建的全连接神经网络进行特征降维训练,在所述特征降维训练的误差值满足第二预设条件时,得到目标全连接神经网络,包括:
将所述目标特征图集进行特征融合,得到融合特征图集;
利用所述全连接神经网络对所述融合特征图集进行降维计算,得到一维特征图集;
根据所述一维特征图集中特征与人头数的映射关系,计算得到所述一维特征图集中每一张图片的预测人头数;
利用预构建的第二损失函数计算所述每一张图片的预测人头数与对应的真实人头数的误差值;
判断所述误差值是否满足所述第二预设条件,若所述误差值不满足所述第二预设条件,则调整所述全连接神经网络的参数值,并返回所述利用所述全连接神经网络对所述融合特征图集进行降维计算的步骤;
若所述误差值满足所述第二预设条件,则停止所述特征降维训练,得到所述目标全连接神经网络。
可选地,所述将所述目标并行卷积神经网络和所述目标全连接神经网络组合成集成模型,利用所述矩阵图集对所述集成模型进行集成训练,在所述集成训练的误差值满足第三预设条件时,得到目标集成模型,包括:
利用所述集成模型中的目标并行卷积神经网络对所述矩阵图集进行特征提取,得到集成特征图集;
利用所述集成模型中的目标全连接神经网络对所述集成特征图集进行特征融合和特征降维计算,得到一维集成特征图集;
根据所述一维集成特征图集中特征与人头数的映射关系,计算得到所述一维集成特征图集中每一张图片的预测人头数;
利用所述预构建的第一损失函数或所述预构建的第二损失函数,计算所述每一张图片的预测人头数与对应的真实人头数的误差值;
判断所述误差值是否满足所述第三预设条件,若所述误差值不满足所述第三预设条件,则调整所述集成模型的参数值,并返回所述利用所述集成模型中所述目标并行卷积神经网络对所述矩阵图集进行特征提取的卷积计算的步骤;
若所述误差值满足所述第三预设条件,则停止所述集成训练,得到目标集成模型。
可选地,所述利用所述目标集成模型对待测试图片进行人群计数,得到人群计数结果,包括:
利用所述目标集成模型中的目标并行卷积神经网络对所述新的待测试图片进行特征提取,得到测试特征图;
利用所述目标集成模型中的目标全连接神经网络对所述测试特征图进行特征融合和特征降维计算,得到一维测试特征图;
根据所述一维测试特征图中特征与人头数的映射关系,计算得到所述一维测试特征图对应的人群计数结果。
为了解决上述问题,本发明还提供一种人群计数装置,所述装置包括:
图片高斯变换模块,用于获取训练图片集,并对所述训练图片集执行高斯核梯度不同的高斯变换处理,得到高斯变换后的矩阵图集;
特征提取训练模块,用于利用所述矩阵图集对预构建的卷积核梯度不同的并行卷积神经网络进行特征提取训练,在所述特征提取训练的误差值满足第一预设条件时,得到目标特征图集和目标并行卷积神经网络;
特征降维训练模块,用于利用所述目标特征图集对预构建的全连接神经网络进行特征降维训练,在所述特征降维训练的误差值满足第二预设条件时,得到目标全连接神经网络;
集成训练模块,用于将所述目标并行卷积神经网络和所述目标全连接神经网络组合成集成模型,利用所述矩阵图集对所述集成模型进行集成训练,在所述集成训练的误差值满足第三预设条件时,得到目标集成模型;
人头计数模块,利用所述目标集成模型对待测试图片进行人群计数,得到人群计数结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的人群计数方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的人群计数方法。
本发明通过对所述训练图片集进行高斯核梯度不同的高斯变换处理,得到高斯变换后的矩阵图集,利用所述矩阵图集对所述预构建的卷积核梯度不同的并行卷积神经网络和所述预构建的全连接神经网络进行分开训练,将完成训练的所述并行卷积神经网络和所述全连接神经网络组合成集成模型,利用所述矩阵图集对所述集成模型进行人群计数的训练,得到目标集成模型。设置不同梯度的高斯核和卷积核,可以覆盖高密度人群和低密度人群场景,对所述并行卷积神经网络和所述全连接神经网络的分开训练,可以加快所述训练中损失函数值的收敛,同时通过所述集成模型的人群计数的训练,保证了人群计数结果的准确性。因此本发明提出的人群计数方法、装置、电子设备及计算机可读存储介质,可以解决单一人群计数模型不能同时兼顾高密度和低密度人群场景的问题。
附图说明
图1为本发明一实施例提供的人群计数方法的流程示意图;
图2为本发明一实施例提供的对原始图片进行高斯变换的流程示意图;
图3为本发明一实施例提供的特征提取训练的流程示意图;
图4为本发明一实施例提供的特征降维训练的流程示意图;
图5为本发明一实施例提供的集成训练的流程示意图;
图6为本发明一实施例提供的人群计数测试的流程示意图;
图7为本发明一实施例提供的人群计数装置的功能模块图;
图8为本发明一实施例提供的实现所述人群计数方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种人群计数方法。所述人群计数方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述人群计数方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的人群计数方法的流程示意图。
在本实施例中,所述人群计数包括:
S1、获取训练图片集,并对所述训练图片集执行高斯核梯度不同的高斯变换处理,得到高斯变换后的矩阵图集;
本发明实施例中,所述训练图片集可以是一张张没有关联的静态图片,也可以是从同一监控视频或某一活动现场视频中截取的一张张图片。本发明实施例中,所述训练图片集中的每一张训练图片都具有标签信息,其中,所述标签信息是指所述训练图片中的真实人头数,该真实人头数可以通过人工统计得到。
本发明实施例中,所述高斯核是一个二维矩阵,所述二维矩阵中的每一个节点对应一个数值,所述高斯核梯度为所述高斯核对应的二维矩阵的大小,例如3X3大小的高斯核的梯度为3、5X5大小的高斯核的梯度为5。所述高斯变换处理是指对利用所述高斯核对所述训练图片集中每一张图片的像素点对应的权重值做高斯计算的过程。本发明实施例中,为了同时覆盖高密度人群场景和低密度人群场景,需要对所述训练图片集做高斯核梯度不同的高斯变换处理。
详细地,参阅图2所示,所述S1,包括:
S11、利用机器视觉工具将所述训练图片集转换为与所述训练图片集大小相同的标签矩阵集;
S12、利用二维高斯变换公式生成不同梯度的高斯核;
S13、利用所述不同梯度的高斯核对所述标签矩阵集进行计算,得到所述高斯变换后的矩阵图集。
本发明实施例中,所述机器视觉工具可以使用OpenCV(Opensource ComputerVison)库,所述OpenCV库是一种可用于图像处理和分析的机器视觉领域的开源函数库。
所述二维高斯变换公式如下所示:
在所述二维高斯变换公式中,以所述标签矩阵集中一个标签矩阵的任一像素点为原点,其中x,y代表坐标为x和y的一个像素点,利用所述二维高斯变换公式计算得到坐标为x和y的像素点相对于所述原点的权重值。其中σ是所述二维高斯变换公式中服从正态分布的随机变量的标准方差,σ越大,G(x,y)的取值越分散,σ越小,G(x,y)的取值越集中。
为了适配高密度人群、低密度人群的不同场景,本发明实施例中,所述二维高斯变换公式中σ取值为1,分别生成梯度大小为3、5及7的三种高斯核,即高斯核大小分别为3X3、5X5及7X7。所述高斯核是用来定义所述标签矩阵集中一个标签矩阵中每一个像素点的权重值,在实际应用中可以调整σ的取值,以保证所述高斯核定义的每一个像素点的权重值的分布趋势与所述标签矩阵集中每一个像素点的特征值的分布状态趋势相吻合。
本发明实施例中,利用不同梯度的高斯核对所述标签矩阵集进行计算,得到不同的高斯变换后的矩阵图集。
S2、利用所述矩阵图集对预构建的卷积核梯度不同的并行卷积神经网络进行特征提取训练,在所述特征提取训练的误差值满足第一预设条件时,得到目标特征图集和目标并行卷积神经网络;
本发明实施例中,所述并行卷积神经网络可以包括三列并行卷积神经网路,分别为A列网络、B列网络和C例网络。
其中,所述A列网络包括按顺序连接的A1卷积层+A1池化层、A2卷积层+A2池化层、A3卷积层、A4卷积层。所述A1卷积层的卷积核大小为7×7、步长为1、通道数为16,所述A1池化层大小为2×2、步长为1,所述A2卷积层的卷积核大小为7×7、步长为1、通道数为32,所述A2池化层大小为2×2、步长为1,所述A3卷积层的卷积核大小为7×7、步长为1、通道数为16,所述A4卷积层的卷积核大小为7×7、步长为1、通道数为8。所述B列网络包括按顺序连接的B1卷积层+B1池化层、B2卷积层+B2池化层、B3卷积层、B4卷积层。所述B1卷积层的卷积核大小为5×5、步长为1、通道数为16,所述B1池化层大小为2×2、步长为1,所述B2卷积层的卷积核大小为5×5、步长为1、通道数为32,所述B2池化层大小为2×2、步长为1,所述B3卷积层的卷积核大小为5×5、步长为1、通道数为16,所述B4卷积层的卷积核大小为5×5、步长为1、通道数为8。所述C列网络包括按顺序连接的C1卷积层+C1池化层、C2卷积层+C2池化层、C3卷积层、C4卷积层。所述C1卷积层的卷积核大小为3×3、步长为1、通道数为16,所述C1池化层大小为2×2、步长为1,所述C2卷积层的卷积核大小为3×3、步长为1、通道数为32,所述C2池化层大小为2×2、步长为1,所述C3卷积层的卷积核大小为3×3、步长为1、通道数为16,所述C4卷积层的卷积核大小为3×3、步长为1、通道数为8。
本发明实施例中,在所述并行卷积神经网络中,所述A列网络、B列网络和C列网络形成3条并行线路同时对所述矩阵图集进行特征提取,所述3条并行线路间的输入和输出彼此独立,互不影响。
在实际应用中可以根据实际需要设置并行卷积神经网路的并行列数、每一列网络的卷积层数目、卷积核大小、通道数、步长和池化层大小。
所述特征提取是指利用所述A列网络、B列网络或C列网络中的卷积层的卷积核对所述矩阵图集进行卷积计算的过程。通常卷积核具有两个属性,分别为大小和深度,例如7×7的卷积核,7×7是卷积核的大小,是指针对同一张图片,每次进行卷积计算的图片区域大小为7×7,所述卷积核的深度可以理解为卷积核的个数或者通道数,7是卷积核的梯度。
本发明实施例中,所述卷积计算是指提取卷积核定义的图片区域内的每一个像素点的像素值,将所述像素点的像素值与所述卷积核定义的对应节点的权重值相乘,得到所述像素点的特征值,通过移动所述卷积核遍历所述图片的所有区域得到一个由特征值组成的特征图,多个卷积核便得到多个特征图。
通常卷积层的后面一般会加入池化层,所述池化层是用来缩小经过卷积计算得到的所述特征图的尺寸,从而减少所述并行卷积神经网络的参数,加快卷积计算速度,同时也有防止过拟合的作用。例如,池化层为2×2,表示将所述特征图的尺寸缩小2倍。
详细地,参阅图3所示,所述S2,包括:
S21、按照所述矩阵图集对应的高斯核的梯度大小与所述并行卷积神经网络中卷积核的梯度大小相同的原则,将所述矩阵图集分别输入到所述并行卷积神经网络对应的线路中;
S22、并发执行所述并行卷积神经网络对应线路的特征提取的卷积计算,得到每条线路输出的特征图集;
S23、对所有特征图集进行加权求平均计算,得到加权平均后的特征图集;
S24、利用预测函数分别对所述加权平均后的特征图集进行计算,得到所述加权平均后的特征图集中每一张图片的预测人头数;
S25、获取所述训练图片集中每一张图片的真实人头数;
S26、利用预构建的第一损失函数计算所述每一张图片的预测人头数与对应的真实人头数的误差值,并判断所述误差值是否满足所述第一预设条件;
若所述误差值不满足所述第一预设条件,则执行S27、调整所述并行卷积神经网络的参数值,并则返回S22;
若所述误差值满足所述第一预设条件,则执行S28、停止所述提取特征的训练,得到所述目标特征图集和所述目标并行卷积神经网络。
本发明实施例中,所述对所有特征图集进行加权求平均计算,得到加权平均后的特征图集,包括:根据所述并行卷积神经网络中每条线路对应的卷积核梯度的不同,对所述并行卷积神经网络中每条线路设置不同的权重值;将所述每条线路输出的特征图集特征维度与对应线路的权重值相乘,得到所述每条线路输出的特征图集的加权值;对所有特征图集的加权值进行平均操作,得到所述加权平均后的特征图集。
本发明实施例中,所述预构建的第一损失函数可以采用如下函数:
其中所述rmse为所述误差值,所述num为所述相同像素的图片集中的图片数量,所述pre为所述预测人头数,所述grt为所述真实人头数,所述i为所述高斯变换后的矩阵图集中的第i张图片。
本发明实施例中,所述预测函数可以采用SOFTMAX函数,所述SOFTMAX函数又称归一化指数函数,通过所述SOFTMAX函数将所述加权平均后的特征图集做人头计数的转换,并将人头计数转换结果以概率的形式展现出来,在实际应用中也可以采用其他预测函数对所述加权平均后的特征图集进行人头数的预测。
本发明实施例中,所述第一预设条件可以是当所述特征提取训练的误差值小于或等于第一预设误差阈值时,停止所述特征提取训练。
S3、利用所述目标特征图集对预构建的全连接神经网络进行特征降维训练,在所述特征降维训练的误差值满足第二预设条件时,得到目标全连接神经网络;
本发明实施例中,所述全连接神经网络包括按顺序连接的第一网络层、第二网络层和最后一层网络层,每一网络层实现对所述特征图集的降维计算,所述降维计算是指对所述特征图集的特征进行提炼和减少的计算过程。
通常,每一网络层的目标维数不同且存在梯度,所述第一网络层的目标维数最高,所述最后一层网络层目标维数最小,为1维网络层。所述目标维数是指经过降维计算后,得到的特征图集的特征维数。
详细地,参阅图4所示,所述S3,包括:
S31、将所述目标特征图集进行特征融合,得到融合特征图集;
S32、利用所述全连接神经网络对所述融合特征图集进行降维计算,得到一维特征图集;
S33、根据所述一维特征图集中特征与人头数的映射关系,计算得到所述一维特征图集中每一张图片的预测人头数;
S34、利用预构建的第二损失函数计算所述每一张图片的预测人头数与对应的真实人头数的误差值,并判断所述误差值是否满足所述第二预设条件;
若所述误差值不满足所述第二预设条件,则执行S35、调整所述全连接神经网络的参数值,并返回S32;
若所述误差值满足所述第二预设条件,则执行S36,停止所述特征降维训练,得到所述目标全连接神经网络。
本发明实施例中,所述特征融合是指将所述并行卷积神经网络输出的所有特征图片集反映出的像素特征进行整合和去除冗余。本发明实施例中采用系列特征融合方法实现所述特征融合。所述系列特征融合方法是直接将两个特征进行连接,两个特征x和y的维数若为p和q,则融合后的特征z的维数为p+q。在实际应用中,可以结合实际情况采用并行策略融合方法或者金字塔融合方法。
本发明实施例中,所述一维特征图集中特征与人头数的映射关系可以是一一对应关系,满足所述一维特征图集中特征条件的像素点即为有效人头数。
本发明实施例中,所述预构建的第二损失函数可以采用如下函数:
其中所述num为所述融合特征图集中的图片数量,所述final_res为所述预测人头数,所述grt为所述真实人头数,所述j为所述融合特征图集中的第j张图片。
本发明实施例中,所述第二预设条件可以是当所述特征降维训练的误差值达到收敛时,停止所述特征降维训练。
S4、将所述目标并行卷积神经网络和所述目标全连接神经网络组合成集成模型,利用所述矩阵图集对所述集成模型进行集成训练,在所述集成训练的误差值满足第三预设条件时,得到目标集成模型。
本发明实施例中,所述集成模型包括按顺序连接的两部分,第一部分为目标并行卷积神经网络,第二部分为目标全连接神经网络。在所述集成训练中,所述目标并行卷积神经网络的输出是所述目标全连接神经网络的输入。
详细地,参阅图5所示,所述S4,包括:
S41、利用所述集成模型中的目标并行卷积神经网络对所述矩阵图集进行特征提取,得到集成特征图集;
S42、利用所述集成模型中的目标全连接神经网络对所述集成特征图集进行特征融合和特征降维计算,得到一维集成特征图集;
S43、根据所述一维集成特征图集中特征与人头数的映射关系,计算得到所述一维集成特征图集中每一张图片的预测人头数;
S44、利用预构建的第二损失函数计算所述每一张图片的预测人头数与对应的真实人头数的误差值,并判断所述误差值是否满足所述第三预设条件;
若所述误差值不满足所述第三预设条件,则执行S45、调整所述集成模型的参数值,并返回S41;
若所述误差值满足所述第三预设条件,则执行S46、停止所述集成训练,得到所述目标集成模型。
本发明实施例中,在所述集成训练中采用的损失函数可以是所述预构建的第一损失函数或者所述预构建的第二损失函数,在实际应用中,在所述集成训练中采用的损失函数既可以不同于所述预构建的第一损失函数又可以不同于所述预构建的第二损失函数。
本发明实施例中,所述第三预设条件可以和所述第一预设条件或所述第二预设条件相同或不同,例如,可以设置所述第三预设条件中的第三预设误差阈值的大小与所述第一预设误差阈值的大小相同或不同。S5、利用所述目标集成模型对待测试图片进行人群计数,得到人群计数结果。
本发明实施例中,所述待测试图片不具有标签信息,利用所述待测试图片可以对所述目标集成模型进行人群计数的验证。
详细地,参阅图6所示,所述S5,包括:
S51、利用所述目标集成模型中的目标并行卷积神经网络对所述新的待测试图片进行特征提取,得到测试特征图;
S52、利用所述目标集成模型中的目标全连接神经网络对所述测试特征图进行特征融合和特征降维计算,得到一维测试特征图;
S53、根据所述一维测试特征图中特征与人头数的映射关系,计算得到所述一维测试特征图对应的人群计数结果。
本发明通过对所述训练图片集进行高斯核梯度不同的高斯变换处理,得到高斯变换后的矩阵图集,利用所述矩阵图集对所述预构建的卷积核梯度不同的并行卷积神经网络和所述预构建的全连接神经网络进行分开训练,将完成训练的所述并行卷积神经网络和所述全连接神经网络组合成集成模型,利用所述矩阵图集对所述集成模型进行人群计数的训练,得到目标集成模型。设置不同梯度的高斯核和卷积核,可以覆盖高密度人群和低密度人群场景,对所述并行卷积神经网络和所述全连接神经网络的分开训练,可以加快所述训练中损失函数值的收敛,同时通过所述集成模型的人群计数的训练,保证了人群计数结果的准确性。因此本发明提出的人群计数方法、装置、电子设备及计算机可读存储介质,可以解决单一人群计数模型不能同时兼顾高密度和低密度人群场景的问题。
如图7所示,是本发明一实施例提供的人群计数装置的功能模块图。
本发明所述人群计数装置100可以安装于电子设备中。根据实现的功能,所述人群计数100可以包括图片高斯变换模块101、特征提取训练模块102、特征降维训练模块103、集成训练模块104、人头计数模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述图片高斯变换模块101,用于获取训练图片集,并对所述训练图片集执行高斯核梯度不同的高斯变换处理,得到高斯变换后的矩阵图集;
所述特征提取训练模块102,用于利用所述矩阵图集对预构建的卷积核梯度不同的并行卷积神经网络进行特征提取训练,在所述特征提取训练的误差值满足第一预设条件时,得到目标特征图集和目标并行卷积神经网络;
所述特征降维训练模块103,用于利用所述目标特征图集对预构建的全连接神经网络进行特征降维训练,在所述特征降维训练的误差值满足第二预设条件时,得到目标全连接神经网络;
所述集成训练模块104,用于用于将所述目标并行卷积神经网络和所述目标全连接神经网络组合成集成模型,利用所述矩阵图集对所述集成模型进行集成训练,在所述集成训练的误差值满足第三预设条件时,得到目标集成模型;
所述人头计数模块105,用于利用所述目标集成模型对待测试图片进行人群计数,得到人群计数结果。
如图8所示,是本发明一实施例提供的实现人群计数方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如人群计数程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如人群计数程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如人群计数程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图8仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图8示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的人群计数程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取训练图片集,并对所述训练图片集执行高斯核梯度不同的高斯变换处理,得到高斯变换后的矩阵图集;
利用所述矩阵图集对预构建的卷积核梯度不同的并行卷积神经网络进行特征提取训练,在所述特征提取训练的误差值满足第一预设条件时,得到目标特征图集和目标并行卷积神经网络;
利用所述目标特征图集对预构建的全连接神经网络进行特征降维训练,在所述特征降维训练的误差值满足第二预设条件时,得到目标全连接神经网络;
将所述目标并行卷积神经网络和所述目标全连接神经网络组合成集成模型,利用所述矩阵图集对所述集成模型进行集成训练,在所述集成训练的误差值满足第三预设条件时,得到目标集成模型;
利用所述目标集成模型对待测试图片进行人群计数,得到人群计数结果。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取训练图片集,并对所述训练图片集执行高斯核梯度不同的高斯变换处理,得到高斯变换后的矩阵图集;
利用所述矩阵图集对预构建的卷积核梯度不同的并行卷积神经网络进行特征提取训练,在所述特征提取训练的误差值满足第一预设条件时,得到目标特征图集和目标并行卷积神经网络;
利用所述目标特征图集对预构建的全连接神经网络进行特征降维训练,在所述特征降维训练的误差值满足第二预设条件时,得到目标全连接神经网络;
将所述目标并行卷积神经网络和所述目标全连接神经网络组合成集成模型,利用所述矩阵图集对所述集成模型进行集成训练,在所述集成训练的误差值满足第三预设条件时,得到目标集成模型;
利用所述目标集成模型对待测试图片进行人群计数,得到人群计数结果。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种人群计数方法,其特征在于,所述方法包括:
获取训练图片集,并对所述训练图片集执行高斯核梯度不同的高斯变换处理,得到高斯变换后的矩阵图集;
利用所述矩阵图集对预构建的卷积核梯度不同的并行卷积神经网络进行特征提取训练,在所述特征提取训练的误差值满足第一预设条件时,得到目标特征图集和目标并行卷积神经网络;
利用所述目标特征图集对预构建的全连接神经网络进行特征降维训练,在所述特征降维训练的误差值满足第二预设条件时,得到目标全连接神经网络;
将所述目标并行卷积神经网络和所述目标全连接神经网络组合成集成模型,利用所述矩阵图集对所述集成模型进行集成训练,在所述集成训练的误差值满足第三预设条件时,得到目标集成模型;
利用所述目标集成模型对待测试图片进行人群计数,得到人群计数结果。
2.如权利要求1所述的人群计数方法,其特征在于,所述对所述训练图片集执行高斯核梯度不同的高斯变换处理,得到高斯变换后的矩阵图集,包括:
利用机器视觉工具将所述训练图片集转换为与所述训练图片集大小相同的标签矩阵集;
利用二维高斯变换公式生成不同梯度的高斯核;
利用不同梯度的高斯核对所述标签矩阵集进行计算,得到所述高斯变换后的矩阵图集。
3.如权利要求2所述的人群计数方法,其特征在于,所述利用所述矩阵图集对预构建的卷积核梯度不同的并行卷积神经网络进行特征提取训练,在所述特征提取训练的误差值满足第一预设条件时,得到目标特征图集和目标并行卷积神经网络,包括:
按照所述矩阵图集对应的高斯核的梯度大小与所述并行卷积神经网络中卷积核的梯度大小相同的原则,将所述矩阵图集分别输入到所述并行卷积神经网络对应的线路中;
并发执行所述并行卷积神经网络对应线路的特征提取的卷积计算,得到每条线路输出的特征图集;
对所有特征图集进行加权求平均计算,得到加权平均后的特征图集;
利用预测函数分别对所述加权平均后的特征图集进行计算,得到所述加权平均后的特征图集中每一张图片的预测人头数;
获取所述训练图片集中每一张图片的真实人头数;
利用预构建的第一损失函数计算所述每一张图片的预测人头数与对应的真实人头数的误差值;
判断所述误差值是否满足所述第一预设条件,若所述误差值不满足所述第一预设条件,则调整所述并行卷积神经网络的参数值,并返回所述同时并发执行所述并行卷积神经网络对应线路的特征提取的卷积计算的步骤;
若所述误差值满足所述第一预设条件,则停止所述提取特征的训练,得到所述目标特征图集和所述目标并行卷积神经网络。
4.如权利要求3所述的人群计数方法,其特征在于,所述对所有特征图集进行加权求平均计算,得到加权平均后的特征图集,包括:
根据所述并行卷积神经网络中每条线路对应的卷积核梯度的不同,对所述并行卷积神经网络中每条线路设置不同的权重值;
将所述每条线路输出的特征图集特征维度与对应线路的权重值相乘,得到所述每条线路输出的特征图集的加权值;
对所有特征图集的加权值执行平均操作,得到所述加权平均后的特征图集。
5.如权利要求3所述的人群计数方法,其特征在于,所述利用所述目标特征图集对预构建的全连接神经网络进行特征降维训练,在所述特征降维训练的误差值满足第二预设条件时,得到目标全连接神经网络,包括:
将所述目标特征图集进行特征融合,得到融合特征图集;
利用所述全连接神经网络对所述融合特征图集进行降维计算,得到一维特征图集;
根据所述一维特征图集中特征与人头数的映射关系,计算得到所述一维特征图集中每一张图片的预测人头数;
利用预构建的第二损失函数计算所述每一张图片的预测人头数与对应的真实人头数的误差值;
判断所述误差值是否满足所述第二预设条件,若所述误差值不满足所述第二预设条件,则调整所述全连接神经网络的参数值,并返回所述利用所述全连接神经网络对所述融合特征图集进行降维计算的步骤;
若所述误差值满足所述第二预设条件,则停止所述特征降维训练,得到所述目标全连接神经网络。
6.如权利要求1中任意一项所述的人群计数方法,其特征在于,所述将所述目标并行卷积神经网络和所述目标全连接神经网络组合成集成模型,利用所述矩阵图集对所述集成模型进行集成训练,在所述集成训练的误差值满足第三预设条件时,得到目标集成模型,包括:
利用所述集成模型中的目标并行卷积神经网络对所述矩阵图集进行特征提取,得到集成特征图集;
利用所述集成模型中的目标全连接神经网络对所述集成特征图集进行特征融合和特征降维计算,得到一维集成特征图集;
根据所述一维集成特征图集中特征与人头数的映射关系,计算得到所述一维集成特征图集中每一张图片的预测人头数;
利用所述预构建的第一损失函数或所述预构建的第二损失函数,计算所述每一张图片的预测人头数与对应的真实人头数的误差值;
判断所述误差值是否满足所述第三预设条件,若所述误差值不满足所述第三预设条件,则调整所述集成模型的参数值,并返回所述利用所述集成模型中所述目标并行卷积神经网络对所述矩阵图集进行特征提取的卷积计算的步骤;
若所述误差值满足所述第三预设条件,则停止所述集成训练,得到所述目标集成模型。
7.如权利要求1至6中任意一项所述的人群计数方法,其特征在于,所述利用所述目标集成模型对待测试图片进行人群计数,得到人群计数结果,包括:
利用所述目标集成模型中的目标并行卷积神经网络对所述新的待测试图片进行特征提取,得到测试特征图;
利用所述目标集成模型中的目标全连接神经网络对所述测试特征图进行特征融合和特征降维计算,得到一维测试特征图;
根据所述一维测试特征图中特征与人头数的映射关系,计算得到所述一维测试特征图对应的人群计数结果。
8.一种人群计数装置,其特征在于,所述装置包括:
图片高斯变换模块,用于获取训练图片集,并对所述训练图片集执行高斯核梯度不同的高斯变换处理,得到高斯变换后的矩阵图集;
特征提取训练模块,用于利用所述矩阵图集对预构建的卷积核梯度不同的并行卷积神经网络进行特征提取训练,在所述特征提取训练的误差值满足第一预设条件时,得到目标特征图集和目标并行卷积神经网络;
特征降维训练模块,用于利用所述目标特征图集对预构建的全连接神经网络进行特征降维训练,在所述特征降维训练的误差值满足第二预设条件时,得到目标全连接神经网络;
集成训练模块,用于将所述目标并行卷积神经网络和所述目标全连接神经网络组合成集成模型,利用所述矩阵图集对所述集成模型进行集成训练,在所述集成训练的误差值满足第三预设条件时,得到目标集成模型;
人头计数模块,利用所述目标集成模型对待测试图片进行人群计数,得到人群计数结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的人群计数方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的人群计数方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110685840.6A CN113343882A (zh) | 2021-06-21 | 2021-06-21 | 人群计数方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110685840.6A CN113343882A (zh) | 2021-06-21 | 2021-06-21 | 人群计数方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113343882A true CN113343882A (zh) | 2021-09-03 |
Family
ID=77478323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110685840.6A Pending CN113343882A (zh) | 2021-06-21 | 2021-06-21 | 人群计数方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343882A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821622A (zh) * | 2023-06-29 | 2023-09-29 | 广西昌洲天然药业有限公司 | 一种基于神经网络实现积雪草总苷的提取效果分析方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160055645A1 (en) * | 2013-03-26 | 2016-02-25 | Hitachi Kokusai Electric Inc. | People counting device and people counting method |
CN110705344A (zh) * | 2019-08-21 | 2020-01-17 | 中山大学 | 一种基于深度学习的人群计数模型及其实现方法 |
CN111353577A (zh) * | 2018-12-24 | 2020-06-30 | Tcl集团股份有限公司 | 基于多任务的级联组合模型的优化方法、装置及终端设备 |
CN111401405A (zh) * | 2020-02-21 | 2020-07-10 | 江苏大学 | 一种多神经网络集成的图像分类方法及*** |
-
2021
- 2021-06-21 CN CN202110685840.6A patent/CN113343882A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160055645A1 (en) * | 2013-03-26 | 2016-02-25 | Hitachi Kokusai Electric Inc. | People counting device and people counting method |
CN111353577A (zh) * | 2018-12-24 | 2020-06-30 | Tcl集团股份有限公司 | 基于多任务的级联组合模型的优化方法、装置及终端设备 |
CN110705344A (zh) * | 2019-08-21 | 2020-01-17 | 中山大学 | 一种基于深度学习的人群计数模型及其实现方法 |
CN111401405A (zh) * | 2020-02-21 | 2020-07-10 | 江苏大学 | 一种多神经网络集成的图像分类方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821622A (zh) * | 2023-06-29 | 2023-09-29 | 广西昌洲天然药业有限公司 | 一种基于神经网络实现积雪草总苷的提取效果分析方法及装置 |
CN116821622B (zh) * | 2023-06-29 | 2024-02-13 | 广西昌洲天然药业有限公司 | 基于神经网络实现积雪草总苷的提取效果分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112465071A (zh) | 图像多标签分类方法、装置、电子设备及介质 | |
CN112446544A (zh) | 交通流预测模型训练方法、装置、电子设备及存储介质 | |
CN112396005A (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
CN112052850A (zh) | 车牌识别方法、装置、电子设备及存储介质 | |
CN112528908B (zh) | 活体检测方法、装置、电子设备及存储介质 | |
CN111695609A (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
CN112507934A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
CN111311010A (zh) | 车辆风险预测方法、装置、电子设备及可读存储介质 | |
CN112132216B (zh) | 车型识别方法、装置、电子设备及存储介质 | |
CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
CN112528909A (zh) | 活体检测方法、装置、电子设备及计算机可读存储介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN113487621A (zh) | 医学图像分级方法、装置、电子设备及可读存储介质 | |
CN111985449A (zh) | 救援现场图像的识别方法、装置、设备及计算机介质 | |
CN115471775A (zh) | 基于录屏视频的信息验证方法、装置、设备及存储介质 | |
CN115205225A (zh) | 医学图像识别模型的训练方法、装置、设备及存储介质 | |
CN114494800A (zh) | 预测模型训练方法、装置、电子设备及存储介质 | |
CN113343882A (zh) | 人群计数方法、装置、电子设备及存储介质 | |
CN112101481A (zh) | 目标物的影响因子筛选方法、装置、设备及存储介质 | |
CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN115049836B (zh) | 图像分割方法、装置、设备及存储介质 | |
CN113255456B (zh) | 非主动活体检测方法、装置、电子设备及存储介质 | |
CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN111652226B (zh) | 基于图片的目标识别方法、装置及可读存储介质 | |
CN112233194B (zh) | 医学图片优化方法、装置、设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |