CN114639071A - 图像人群计数模型训练方法、人数信息生成方法和装置 - Google Patents

图像人群计数模型训练方法、人数信息生成方法和装置 Download PDF

Info

Publication number
CN114639071A
CN114639071A CN202210260315.4A CN202210260315A CN114639071A CN 114639071 A CN114639071 A CN 114639071A CN 202210260315 A CN202210260315 A CN 202210260315A CN 114639071 A CN114639071 A CN 114639071A
Authority
CN
China
Prior art keywords
image
label
feature vector
sample image
model
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
Application number
CN202210260315.4A
Other languages
English (en)
Inventor
刘弘也
苏驰
李凯
王育林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Kingsoft Cloud Network Technology Co Ltd
Original Assignee
Beijing Kingsoft Cloud Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Kingsoft Cloud Network Technology Co Ltd filed Critical Beijing Kingsoft Cloud Network Technology Co Ltd
Priority to CN202210260315.4A priority Critical patent/CN114639071A/zh
Publication of CN114639071A publication Critical patent/CN114639071A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本公开的实施例公开了图像人群计数模型训练方法、人数信息生成方法和装置。该方法的一具体实施方式包括：获取训练样本，其中，该训练样本包括样本图像和该样本图像的标签，该样本图像的标签包括：该样本图像的人数标签和该样本图像的累积特征向量标签，其中，该样本图像的累积特征向量标签为该样本图像的人数标签的特征向量；获取初始图像人群计数模型；根据该样本图像、该样本图像的人数标签和该样本图像的累积特征向量标签，对该初始图像人群计数模型进行训练，得到训练后图像人群计数模型。该实施方式的图像人群计数模型训练方法得到的图像人群计数模型能准确地生成出各种人数标签类别下各个图像的人数。

Description

图像人群计数模型训练方法、人数信息生成方法和装置
技术领域
本公开的实施例涉及计算机技术领域，具体涉及图像人群计数模型训练方法、人数信息生成方法和装置。
背景技术
图像人群计数是估计出图像中出现的总人数的一项技术，在智能安防方面等多个领域有着重要应用。实践中，往往是通过图像人群计数模型实现图像人群计数。目前，在进行图像人群计数时，通常采用的方式为：训练一个卷积神经网络模型建立输入图像和总人数的映射。
然而，当采用上述方式进行图像人群计数时，经常会存在如下技术问题：
由于训练样本集中各个训练样本常常存在样本分布不均衡的问题，导致针对样本较少的人数标签类别，模型无法学习到足够的特征。使得后续训练后的模型在进行人数信息预测，存在准确率较低的问题。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了图像人群计数模型训练方法、人数信息生成方法和装置，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种图像人群计数模型训练方法，包括：获取训练样本，其中，上述训练样本包括样本图像和上述样本图像的标签，上述样本图像的标签包括：上述样本图像的人数标签和上述样本图像的累积特征向量标签，其中，上述样本图像的累积特征向量标签为上述样本图像的人数标签的特征向量；获取初始图像人群计数模型；根据上述样本图像、上述样本图像的人数标签和上述样本图像的累积特征向量标签，对上述初始图像人群计数模型进行训练，得到训练后图像人群计数模型。
可选地，上述根据上述样本图像、上述样本图像的人数标签和上述样本图像的累积特征向量标签，对上述初始图像人群计数模型进行训练，得到训练后图像人群计数模型，包括：将上述样本图像输入至上述初始图像人群计数模型，得到累积特征向量和人数信息；生成累积特征损失值，其中，上述累积特征损失值表征上述累积特征向量与上述样本图像的累积特征向量标签之间差异信息；生成人数特征损失值，其中，上述人数特征损失值表征上述人数信息与上述样本图像的人数标签之间差异信息；根据上述累积特征损失值和上述人数特征损失值，对上述初始图像人群计数模型进行训练，得到上述训练后图像人群计数模型。
可选地，上述根据上述累积特征损失值和上述人数特征损失值，对上述初始图像人群计数模型进行训练，包括：将上述累积特征损失值和上述人数特征损失值进行损失值相加，得到相加后损失值；响应于上述相加后损失值大于等于预设阈值，对上述初始图像人群计数模型进行训练，得到上述训练后图像人群计数模型。
可选地，上述初始图像人群计数模型包括：初始累积特征向量生成模型和初始人数信息转换模型；以及上述将上述样本图像输入至上述初始图像人群计数模型，得到累积特征向量和人数信息，包括：将上述样本图像输入至上述初始累积特征向量生成模型，得到上述累积特征向量；将上述累积特征向量输入至上述初始人数信息转换模型，得到上述人数信息。
可选地，上述初始累积特征向量生成模型包括：多个串行连接的卷积网络、第一全连接层和第二全连接层；以及上述将上述样本图像输入至上述初始累积特征向量生成模型，得到上述累积特征向量，包括：将上述样本图像输入至上述多个串行连接的卷积网络，得到图像特征向量；将上述图像特征向量输入至上述第一全连接层，得到全连接层向量；将上述全连接层向量输入至上述第二全连接层，得到上述累积特征向量。
可选地，上述初始人数信息转换模型包括：第三全连接层；以及上述将上述累积特征向量输入至上述初始人数信息转换模型，得到上述人数信息，包括：将上述累积特征向量输入至上述第三全连接层，得到上述人数信息。
第二方面，本公开的一些实施例提供了一种图像人群计数模型训练装置，包括：第一获取单元，被配置成获取训练样本，其中，上述训练样本包括样本图像和上述样本图像的标签，上述样本图像的标签包括：上述样本图像的人数标签和上述样本图像的累积特征向量标签，其中，上述样本图像的累积特征向量标签为上述样本图像的人数标签的特征向量；第二获取单元，被配置成获取初始图像人群计数模型；训练单元，被配置成根据上述样本图像、上述样本图像的人数标签和上述样本图像的累积特征向量标签，对上述初始图像人群计数模型进行训练，得到训练后图像人群计数模型。
可选地，训练单元可以被配置成：将上述样本图像输入至上述初始图像人群计数模型，得到累积特征向量和人数信息；生成累积特征损失值，其中，上述累积特征损失值表征上述累积特征向量与上述样本图像的累积特征向量标签之间差异信息；生成人数特征损失值，其中，上述人数特征损失值表征上述人数信息与上述样本图像的人数标签之间差异信息；根据上述累积特征损失值和上述人数特征损失值，对上述初始图像人群计数模型进行训练，得到上述训练后图像人群计数模型。
可选地，训练单元可以被配置成：将上述累积特征损失值和上述人数特征损失值进行损失值相加，得到相加后损失值；响应于上述相加后损失值大于等于预设阈值，对上述初始图像人群计数模型进行训练，得到上述训练后图像人群计数模型。
可选地，上述初始图像人群计数模型包括：初始累积特征向量生成模型和初始人数信息转换模型。以及训练单元可以被配置成：将上述样本图像输入至上述初始累积特征向量生成模型，得到上述累积特征向量；将上述累积特征向量输入至上述初始人数信息转换模型，得到上述人数信息。
可选地，上述初始累积特征向量生成模型包括：多个串行连接的卷积网络、第一全连接层和第二全连接层；以及训练单元可以被配置成：将上述样本图像输入至上述多个串行连接的卷积网络，得到图像特征向量；将上述图像特征向量输入至上述第一全连接层，得到全连接层向量；将上述全连接层向量输入至上述第二全连接层，得到上述累积特征向量。
可选地，上述初始人数信息转换模型包括：第三全连接层；以及训练单元可以被配置成：将上述累积特征向量输入至上述第三全连接层，得到上述人数信息。
第三方面，本公开的一些实施例提供了一种人数信息生成方法，包括：获取待计数图像；将上述待计数图像输入预先训练的图像人群计数模型，得到上述待计数图像对应的人数信息，其中，上述图像人群计数模型是通过如第一方面中任一上述的方法生成的。
第四方面，本公开的一些实施例提供了一种人数信息生成装置，包括：第三获取单元，获取待计数图像；输入单元，被配置成将上述待计数图像输入预先训练的图像人群计数模型，得到上述待计数图像对应的人数信息，其中，上述图像人群计数模型是通过如第一方面中任一上述的方法生成的。
第五方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面或第三方面中任一实现方式描述的方法。
第六方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面或第三方面中任一实现方式描述的方法。
本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的图像人群计数模型训练方法得到的图像人群计数模型能准确地生成出各种人数标签类别下各个图像的人数。具体来说，造成不能准确地生成出各种人数标签类别下各个图像的人数的原因在于：由于训练样本集中各个训练样本常常存在样本分布不均衡的问题，导致针对训练样本较少的人数标签类别，模型无法学习到足够的特征。使得后续训练后的模型在进行人数信息预测，存在准确率较低的问题。基于此，本公开的一些实施例的图像人群计数模型训练方法可以首先获取训练样本，其中，上述训练样本包括样本图像和上述样本图像的标签，上述样本图像的标签包括：上述样本图像的人数标签，上述样本图像的累积特征向量标签。其中，上述样本图像的累积特征向量标签为上述样本图像的人数标签的特征向量。在这里，累积特征向量标签表征着样本图像的人数标签的特征向量。人数标签的特征向量是人数标签在另一个特征空间的映射。实践中，人数标签一般是一个数字，经过映射后成为一个多维向量。由此，相似图像的累积特征向量标签呈现出一定的相似性。相似图像为与样本图像对应人数信息相近的图像。故在后续图像人群计数模型训练过程中，将样本图像的累积特征向量标签作为后续图像人群计数模型的训练约束，可以使得模型在训练过程中隐性的学习到相似图像的人数特征信息。因此，在针对目标人数标签类别下的图像的数目较少时，通过与上述目标人数标签类别下的图像的相似图像可以隐性地学习到目标人数标签类别下的图像的一些特征信息。进而，在初始图像人群计数模型训练过程中，避免了学习目标人数标签类别下的图像的特征信息较少的问题，也侧面避免了训练后图像人群计数模型在针对该目标人数标签类别下的图像进行人数计数时，所出现的准确率较低的问题。然后，获取初始图像人群计数模型，以用于后续训练。最后，根据上述样本图像，上述人数标签和上述累积特征向量标签，对上述初始图像人群计数模型进行训练，可以得到人数计数更为精准的训练后图像人群计数模型。由此，针对各个人数标签类别下的图像，训练后图像人群计数模型都可以准确地生成图像的人数信息。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的图像人群计数模型训练方法的一个应用场景的示意图；
图2是根据本公开的图像人群计数模型训练方法的一些实施例的流程图；
图3是根据本公开的图像人群计数模型训练方法的另一些实施例的流程图；
图4是根据本公开的一些实施例的人数信息生成方法的一个应用场景的示意图；
图5是根据本公开的人数信息生成方法的一些实施例的流程图；
图6是根据本公开的图像人群计数模型训练装置的一些实施例的结构示意图；
图7是根据本公开的人数信息生成装置的一些实施例的结构示意图；
图8是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的图像人群计数模型训练方法的一个应用场景的示意图。
在图1的应用场景中，首先，电子设备101可以获取训练样本。其中，上述训练样本包括样本图像102和上述样本图像的标签103。上述样本图像的标签103包括：上述样本图像的人数标签1031和上述样本图像的累积特征向量标签1032。其中，上述样本图像的累积特征向量标签1032为上述样本图像的人数标签1031的特征向量。在本应用场景中，上述样本图像的人数标签1031可以为“10人”。上述样本图像的累积特征向量标签1032可以为“[1,1,1,1,1,1,1,1,1,1,0,0,0,0]”。然后，电子设备101可以获取初始图像人群计数模型104。最后，电子设备101可以根据上述样本图像102、上述样本图像的人数标签1031和上述样本图像的累积特征向量标签1032，对上述初始图像人群计数模型104进行训练，得到训练后图像人群计数模型105。
需要说明的是，上述电子设备101可以是硬件，也可以是软件。当电子设备为硬件时，可以实现成多个服务端或终端设备组成的分布式集群，也可以实现成单个服务端或单个终端设备。当电子设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的电子设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备。
继续参考图2，示出了根据本公开的图像人群计数模型训练方法的一些实施例的流程200。该图像人群计数模型训练方法，包括以下步骤：
步骤201，获取训练样本。
在一些实施例中，上述图像人群计数模型训练方法的执行主体(例如图1所示的电子设备101)可以通过有线连接方式或者无线连接方式来获取上述训练样本。其中，上述训练样本包括样本图像和上述样本图像的标签。上述样本图像的标签包括：上述样本图像的人数标签和上述样本图像的累积特征向量标签。其中，上述样本图像的累积特征向量标签为上述样本图像的人数标签的特征向量。上述训练样本可以是用于后续训练初始图像人群计数模型的样本。上述样本图像的人数标签可以是样本图像中各个人对应人数信息的标签。例如，上述样本图像可以是教室，电影院或商场的监控场景图像。上述样本图像的人数标签可以是上述教室，电影院或商场的监控场景图像对应的人数。
上述样本图像的累积特征向量标签可以是通过以下公式来生成的：
Figure BDA0003550495850000081
其中，k为累积特征向量标签的向量维度。
Figure BDA0003550495850000082
为训练样本i对应累积特征向量标签中第k维元素的数值训练样本。yi为训练样本i对应样本图像的人数标签。
作为示例，k为10。训练样本i对应的样本图像的人数标签为5。则，训练样本i对应的样本图像的累积特征向量标签为[1,1,1,1,1,0,0,0,0,0]。
步骤202，获取初始图像人群计数模型。
在一些实施例中，上述执行主体可以通过有线方式或无线方式来获取初始图像人群计数模型。其中，图像人群计数模型是用来确定图像中人群数目的模型。可选地，上述图像人群计数模型可以是神经网络模型。例如，上述图像人群计数模型可以是但不限于以下至少一项：残差网络(Residual Networks，ResNets)，深度卷积神经网络(VGGNet，VisualGeometry Group)。上述初始图像人群计数模型可以是图像计数模型参数初始化后的模型。
步骤203，根据上述样本图像、上述样本图像的人数标签和上述样本图像的累积特征向量标签，对上述初始图像人群计数模型进行训练，得到训练后图像人群计数模型。
在一些实施例中，上述执行主体可以根据上述样本图像、上述样本图像的人数标签和上述样本图像的累积特征向量标签，对上述初始图像人群计数模型进行训练，得到训练后图像人群计数模型。
作为示例，上述执行主体可以首先对样本图像的人数标签进行词嵌入处理，得到第一词嵌入向量。然后，上述执行主体可以确定第一词嵌入向量与上述累积特征向量标签之间的第一向量相似度。接着，上述执行主体可以将上述样本图像输入至上述初始图像人群计数模型，得到累积特征向量和人数信息。再接着，上述执行主体可以对人数信息进行词嵌入处理，得到第二词嵌入向量。进而，上述执行主体可以确定第二词嵌入向量与上述累积特征向量之间的第二向量相似度。最后，响应于确定第二向量相似度与上述第一向量相似度之间的差值大于或等于预设数值，继续对上述初始图像人群计数模型进行训练，得到训练后图像人群计数模型。响应于确定第二向量相似度与上述第一向量相似度之间的差值小于预设数值，将上述初始图像人群计数模型确定为训练后图像人群计数模型。
本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的图像人群计数模型训练方法得到的图像人群计数模型能准确地生成出各种人数标签类别下各个图像的人数。具体来说，造成不能准确地生成出各种人数标签类别下各个图像的人数的原因在于：由于训练样本集中各个训练样本常常存在样本分布不均衡的问题，导致针对训练样本较少的人数标签类别，模型无法学习到足够的特征。使得后续训练后的模型在进行人数信息预测，存在准确率较低的问题。基于此，本公开的一些实施例的图像人群计数模型训练方法可以首先获取训练样本，其中，上述训练样本包括样本图像和上述样本图像的标签，上述样本图像的标签包括：上述样本图像的人数标签，上述样本图像的累积特征向量标签。其中，上述样本图像的累积特征向量标签为上述样本图像的人数标签的特征向量。在这里，累积特征向量标签表征着样本图像的人数标签的特征向量。由于相似图像的累积特征向量标签与样本图像的累积特征向量标签之间在结构上存在相似的特性。其中，相似图像为与样本图像对应人数信息相似的图像。故在后续图像人群计数模型训练过程中，将样本图像的累积特征向量标签作为后续图像人群计数模型的训练约束，可以使得模型在训练过程中隐性的学习到相似图像的人数特征信息。因此，在针对目标人数标签类别下的图像的数目较少时，通过与上述目标人数标签类别下的图像的相似图像可以隐性地学习到目标人数标签类别下的图像的一些特征信息。进而，在初始图像人群计数模型训练过程中，避免了学习目标人数标签类别下的图像的特征信息较少的问题，也侧面避免了训练后图像人群计数模型在针对该目标人数标签类别下的图像进行人数计数时，所出现的准确率较低的问题。然后，获取初始图像人群计数模型，以用于后续训练。最后，根据上述样本图像，上述人数标签和上述累积特征向量标签，对上述初始图像人群计数模型进行训练，可以得到人数计数更为精准的训练后图像人群计数模型。由此，针对各个人数标签类别下的图像，训练后图像人群计数模型都可以准确地生成图像的人数信息。
进一步参考图3，示出了根据本公开的图像人群计数模型训练方法的另一些实施例的流程300。该图像人群计数模型训练方法，包括以下步骤：
步骤301，获取训练样本。
步骤302，获取初始图像人群计数模型。
在一些实施例中，步骤301-302的具体实现及其所带来的技术效果，可以参考图2对应的实施例中的步骤201-202，在此不再赘述。
步骤303，将上述样本图像输入至上述初始图像人群计数模型，得到累积特征向量和人数信息。
在一些实施例中，执行主体(例如图1所示的电子设备101)可以将上述样本图像输入至上述初始图像人群计数模型，得到累积特征向量和人数信息。
在一些实施例的一些可选的实现方式中，上述初始图像人群计数模型包括：初始累积特征向量生成模型和初始人数信息转换模型；以及上述将上述样本图像输入至上述初始图像人群计数模型，得到累积特征向量和人数信息，可以包括以下步骤：
第一步，上述执行主体可以将上述样本图像输入至上述初始累积特征向量生成模型，得到上述累积特征向量。其中，累积特征向量生成模型是生成样本图像对应累积特征向量的模型。上述初始累积特征向量模型为累积特征向量模型中参数初始化后的模型。上述累积特征向量为上述初始累积特征向量生成模型预测出来的、样本图像的人数标签的特征向量。
可选地，上述累积特征向量生成模型可以是神经网络模型。例如，上述累积特征向量生成模型可以是但不限于以下任意一项：残差网络和深度卷积神经网络。
第二步，上述执行主体可以将上述累积特征向量输入至上述初始人数信息转换模型，得到上述人数信息。其中，人数信息转换模型为将累积特征向量转化为人数信息的模型。上述初始人数信息转换模型可以为人数信息转换模型中参数初始化后的模型。
可选地，上述人数信息转换模型可以是神经网络模型。例如，上述人数信息转换模型可以是但不限于以下任意一项：残差网络和深度卷积神经网络。
可选地，上述初始累积特征向量生成模型包括：多个串行连接的卷积网络、第一全连接层和第二全连接层；以及上述将上述样本图像输入至上述初始累积特征向量生成模型，得到上述累积特征向量，可以包括以下步骤：
第一步，上述执行主体可以将上述样本图像输入至上述多个串行连接的卷积网络，得到图像特征向量。
在这里，多个串行连接的卷积网络用于提取样本图像中的各种图像特征信息。多个串行连接的卷积网络的网络个数可以是预先设置的。
第二步，上述执行主体可以将上述图像特征向量输入至上述第一全连接层，得到全连接层向量。
第三步，上述执行主体可以将上述全连接层向量输入至上述第二全连接层，得到上述累积特征向量。
可选地，上述初始人数信息转换模型包括：第三全连接层；以及上述执行主体可以将上述累积特征向量输入至上述第三全连接层，得到上述人数信息。
步骤304，生成累积特征损失值。
在一些实施例中，上述执行主体可以生成累积特征损失值。其中，上述累积特征损失值表征上述累积特征向量与上述样本图像的累积特征向量标签之间差异信息。
作为示例，上述累积特征损失值可以通过以下公式来生成：
Figure BDA0003550495850000121
其中，L1为累积特征损失值。
Figure BDA0003550495850000122
为训练样本i对应样本图像的累积特征向量。Ci为训练样本i对应样本图像的累积特征向量标签。
Figure BDA0003550495850000123
为累积特征向量减去累积特征向量标签后的向量的1范数。
步骤305，生成人数特征损失值。
在一些实施例中，上述执行主体可以生成人数特征损失值。其中，上述人数特征损失值表征上述人数信息与上述样本图像的人数标签之间差异信息。
作为示例，上述人数特征损失值可以通过以下公式来生成：
Figure BDA0003550495850000124
其中，L2为上述人数特征损失值。
Figure BDA0003550495850000125
为训练样本i对应样本图像的人数信息。yi为训练样本i对应样本图像的人数标签。
Figure BDA0003550495850000126
为人数信息减去人数标签的数值的绝对值。
步骤306，根据上述累积特征损失值和上述人数特征损失值，对上述初始图像人群计数模型进行训练，得到上述训练后图像人群计数模型。
在一些实施例中，上述执行主体可以根据上述累积特征损失值和上述人数特征损失值，对上述初始图像人群计数模型进行训练，得到上述训练后图像人群计数模型。
作为示例，响应于上述累积特征损失值满足第一条件和/或上述人数特征损失值满足第二条件，对上述初始图像人群计数模型进行训练，得到训练后图像人群计数模型。上述第一条件为上述累积特征损失值大于等于第一数值。上述第二条件为上述人数特征损失值大于等于第二数值。上述第一数值和上述第二数值可以是预先设置的数值。例如，第一数值为0.01，第二数值为0.02。
响应于上述累积特征损失值不满足第一条件和上述人数特征损失值不满足第二条件，停止对初始图像人群计数模型的训练，以及将当前初始图像人群计数模型的确定为训练后图像人群计数模型。
在一些实施例的一些可选的实现方式中，上述根据上述累积特征损失值和上述人数特征损失值，对上述初始图像人群计数模型进行训练，可以包括以下步骤：
第一步，上述执行主体可以将上述累积特征损失值和上述人数特征损失值进行损失值相加，得到相加后损失值。
第二步，响应于上述相加后损失值大于等于预设阈值，上述执行主体可以对上述初始图像人群计数模型进行训练，得到上述训练后图像人群计数模型。
从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的图像人群计数模型训练方法的流程300更加突出了如何对初始图像人群计数模型进行训练的具体步骤。由此，这些实施例描述的方案利用累积特征损失值和人数特征损失值来约束初始图像人群计数模型的训练，从而，可以生成更为识别人数信息更为精准的图像人群计数模型。
图4是根据本公开一些实施例的人数信息生成方法的一个应用场景的示意图。
在图4的应用场景中，首先，电子设备401可以获取待计数图像401。然后，电子设备402将上述待计数图像401输入预先训练的图像人群计数模型402，得到上述待计数图像401对应的人数信息403。其中，上述图像人群计数模型402是通过本公开一些实施例的图像人群计数模型训练方法生成的。在本应用场景中，人数信息403可以是“6人”。
需要说明的是，上述电子设备401可以是硬件，也可以是软件。当电子设备为硬件时，可以实现成多个服务端或终端设备组成的分布式集群，也可以实现成单个服务端或单个终端设备。当电子设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图4中的电子设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备。
继续参考图5，示出了根据本公开的人数信息生成方法的一些实施例的流程500。该人数信息生成方法，包括以下步骤：
步骤501，获取待计数图像。
在一些实施例中，上述人数信息生成方法的执行主体(例如图4所示的电子设备401)可以通过有线方式或无线方式来获取待计数图像。其中，上述待计数图像可以是待确定人数信息的图像。
步骤502，将上述待计数图像输入预先训练的图像人群计数模型，得到上述待计数图像对应的人数信息。
在一些实施例中，上述执行主体可以将上述待计数图像输入预先训练的图像人群计数模型，得到上述待计数图像对应的人数信息。其中，上述图像人群计数模型为根据本公开的图2对应的实现方式生成的、用于确定图像人群数目信息的模型。
本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的人数信息生成方法可以精准地生成待计数图像对应的人数信息。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种图像人群计数模型训练装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，一种图像人群计数模型训练装置600包括：第一获取单元601、第二获取单元602和训练单元603。其中，第一获取单元601，被配置成获取训练样本，其中，上述训练样本包括样本图像和上述样本图像的标签，上述样本图像的标签包括：上述样本图像的人数标签和上述样本图像的累积特征向量标签，其中，上述样本图像的累积特征向量标签为上述样本图像的人数标签的特征向量；第二获取单元602，被配置成获取初始图像人群计数模型；训练单元603，被配置成根据上述样本图像、上述样本图像的人数标签和上述样本图像的累积特征向量标签，对上述初始图像人群计数模型进行训练，得到训练后图像人群计数模型。
在一些实施例的一些可选的实现方式中，上述装置600中的训练单元603可以进一步被配置成：将上述样本图像输入至上述初始图像人群计数模型，得到累积特征向量和人数信息；生成累积特征损失值，其中，上述累积特征损失值表征上述累积特征向量与上述样本图像的累积特征向量标签之间差异信息；生成人数特征损失值，其中，上述人数特征损失值表征上述人数信息与上述样本图像的人数标签之间差异信息；根据上述累积特征损失值和上述人数特征损失值，对上述初始图像人群计数模型进行训练，得到上述训练后图像人群计数模型。
在一些实施例的一些可选的实现方式中，上述装置600中的训练单元603可以进一步被配置成：将上述累积特征损失值和上述人数特征损失值进行损失值相加，得到相加后损失值；响应于上述相加后损失值大于等于预设阈值，对上述初始图像人群计数模型进行训练，得到上述训练后图像人群计数模型。
在一些实施例的一些可选的实现方式中，上述初始图像人群计数模型包括：初始累积特征向量生成模型和初始人数信息转换模型。以及上述装置600中的训练单元603可以进一步被配置成：将上述样本图像输入至上述初始累积特征向量生成模型，得到上述累积特征向量；将上述累积特征向量输入至上述初始人数信息转换模型，得到上述人数信息。
在一些实施例的一些可选的实现方式中，上述初始累积特征向量生成模型包括：多个串行连接的卷积网络、第一全连接层和第二全连接层；以及上述装置600中的训练单元603可以进一步被配置成：将上述样本图像输入至上述多个串行连接的卷积网络，得到图像特征向量；将上述图像特征向量输入至上述第一全连接层，得到全连接层向量；将上述全连接层向量输入至上述第二全连接层，得到上述累积特征向量。
在一些实施例的一些可选的实现方式中，上述初始人数信息转换模型包括：第三全连接层。以及上述装置600中的训练单元603可以进一步被配置成：将上述累积特征向量输入至上述第三全连接层，得到上述人数信息。
可以理解的是，该装置600中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。
进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种人数信息生成装置的一些实施例，这些装置实施例与图5所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，一种人数信息生成装置700包括：第三获取单元701和输入单元702。其中，第三获取单元701，被配置成获取待计数图像；输入单元702，被配置成将上述待计数图像输入预先训练的图像人群计数模型，得到上述待计数图像对应的人数信息，其中，上述图像人群计数模型是通过本公开一些实施例的图像人群计数模型训练方法生成的。
可以理解的是，该装置700中记载的诸单元与参考图5描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置700及其中包含的单元，在此不再赘述。
下面参考图8，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的电子设备101)800的结构示意图。图8示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务端可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取训练样本，其中，上述训练样本包括样本图像和上述样本图像的标签，上述样本图像的标签包括：上述样本图像的人数标签和上述样本图像的累积特征向量标签，其中，上述样本图像的累积特征向量标签为上述样本图像的人数标签的特征向量；获取初始图像人群计数模型；根据上述样本图像、上述样本图像的人数标签和上述样本图像的累积特征向量标签，对上述初始图像人群计数模型进行训练，得到训练后图像人群计数模型。
获取待计数图像；将上述待计数图像输入预先训练的图像人群计数模型，得到上述待计数图像对应的人数信息，其中，上述图像人群计数模型是通过本公开一些实施例的图像人群计数模型训练方法生成的。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括：第一获取单元、第二获取单元和训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取训练样本的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (11)

1.一种图像人群计数模型训练方法，包括：
获取训练样本，其中，所述训练样本包括样本图像和所述样本图像的标签，所述样本图像的标签包括：所述样本图像的人数标签和所述样本图像的累积特征向量标签，其中，所述样本图像的累积特征向量标签为所述样本图像的人数标签的特征向量；
获取初始图像人群计数模型；
根据所述样本图像、所述样本图像的人数标签和所述样本图像的累积特征向量标签，对所述初始图像人群计数模型进行训练，得到训练后图像人群计数模型。
2.根据权利要求1所述的方法，其中，所述根据所述样本图像、所述样本图像的人数标签和所述样本图像的累积特征向量标签，对所述初始图像人群计数模型进行训练，得到训练后图像人群计数模型，包括：
将所述样本图像输入至所述初始图像人群计数模型，得到累积特征向量和人数信息；
生成累积特征损失值，其中，所述累积特征损失值表征所述累积特征向量与所述样本图像的累积特征向量标签之间差异信息；
生成人数特征损失值，其中，所述人数特征损失值表征所述人数信息与所述样本图像的人数标签之间差异信息；
根据所述累积特征损失值和所述人数特征损失值，对所述初始图像人群计数模型进行训练，得到所述训练后图像人群计数模型。
3.根据权利要求2所述的方法，其中，所述根据所述累积特征损失值和所述人数特征损失值，对所述初始图像人群计数模型进行训练，包括：
将所述累积特征损失值和所述人数特征损失值进行损失值相加，得到相加后损失值；
响应于所述相加后损失值大于等于预设阈值，对所述初始图像人群计数模型进行训练，得到所述训练后图像人群计数模型。
4.根据权利要求2所述的方法，其中，所述初始图像人群计数模型包括：初始累积特征向量生成模型和初始人数信息转换模型；以及
所述将所述样本图像输入至所述初始图像人群计数模型，得到累积特征向量和人数信息，包括：
将所述样本图像输入至所述初始累积特征向量生成模型，得到所述累积特征向量；
将所述累积特征向量输入至所述初始人数信息转换模型，得到所述人数信息。
5.根据权利要求4所述的方法，其中，所述初始累积特征向量生成模型包括：多个串行连接的卷积网络、第一全连接层和第二全连接层；以及
所述将所述样本图像输入至所述初始累积特征向量生成模型，得到所述累积特征向量，包括：
将所述样本图像输入至所述多个串行连接的卷积网络，得到图像特征向量；
将所述图像特征向量输入至所述第一全连接层，得到全连接层向量；
将所述全连接层向量输入至所述第二全连接层，得到所述累积特征向量。
6.根据权利要求4所述的方法，其中，所述初始人数信息转换模型包括：第三全连接层；以及
所述将所述累积特征向量输入至所述初始人数信息转换模型，得到所述人数信息，包括：
将所述累积特征向量输入至所述第三全连接层，得到所述人数信息。
7.一种人数信息生成方法，包括：
获取待计数图像；
将所述待计数图像输入预先训练的图像人群计数模型，得到所述待计数图像对应的人数信息，其中，所述图像人群计数模型是通过如权利要求1-6中任一所述的方法生成的。
8.一种图像人群计数模型训练装置，包括：
第一获取单元，被配置成获取训练样本，其中，所述训练样本包括样本图像和所述样本图像的标签，所述样本图像的标签包括：所述样本图像的人数标签和所述样本图像的累积特征向量标签，其中，所述样本图像的累积特征向量标签为所述样本图像的人数标签的特征向量；
第二获取单元，被配置成获取初始图像人群计数模型；
训练单元，被配置成根据所述样本图像、所述样本图像的人数标签和所述样本图像的累积特征向量标签，对所述初始图像人群计数模型进行训练，得到训练后图像人群计数模型。
9.一种人数信息生成装置，包括：
第三获取单元，被配置成获取待计数图像；
输入单元，被配置成将所述待计数图像输入预先训练的图像人群计数模型，得到所述待计数图像对应的人数信息，其中，所述图像人群计数模型是通过如权利要求1-6中任一所述的方法生成的。
10.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
11.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202210260315.4A 2022-03-16 2022-03-16 图像人群计数模型训练方法、人数信息生成方法和装置 Pending CN114639071A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210260315.4A CN114639071A (zh) 2022-03-16 2022-03-16 图像人群计数模型训练方法、人数信息生成方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210260315.4A CN114639071A (zh) 2022-03-16 2022-03-16 图像人群计数模型训练方法、人数信息生成方法和装置

Publications (1)

Publication Number Publication Date
CN114639071A true CN114639071A (zh) 2022-06-17

Family

ID=81949506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210260315.4A Pending CN114639071A (zh) 2022-03-16 2022-03-16 图像人群计数模型训练方法、人数信息生成方法和装置

Country Status (1)

Country Link
CN (1) CN114639071A (zh)

Similar Documents

Publication Publication Date Title
CN108427939B (zh) 模型生成方法和装置
CN108520220B (zh) 模型生成方法和装置
CN111915480B (zh) 生成特征提取网络的方法、装置、设备和计算机可读介质
CN112668588B (zh) 车位信息生成方法、装置、设备和计算机可读介质
CN111767371A (zh) 一种智能问答方法、装置、设备及介质
CN112200173B (zh) 多网络模型训练方法、图像标注方法和人脸图像识别方法
CN115085196A (zh) 电力负荷预测值确定方法、装置、设备和计算机可读介质
CN115578570A (zh) 图像处理方法、装置、可读介质及电子设备
CN115271757A (zh) 需求信息生成方法、装置、电子设备和计算机可读介质
CN113468344B (zh) 实体关系抽取方法、装置、电子设备和计算机可读介质
CN116843991A (zh) 模型训练方法、信息生成方法、装置、设备和介质
CN110347973B (zh) 用于生成信息的方法和装置
CN111915689A (zh) 用于生成目标函数的方法、装置、电子设备和计算机可读介质
CN111797263A (zh) 图像标签生成方法、装置、设备和计算机可读介质
CN115169852B (zh) 信息发送方法、装置、电子设备、介质和计算机程序产品
CN114639072A (zh) 人流量信息生成方法、装置、电子设备和计算机可读介质
CN115757933A (zh) 推荐信息生成方法、装置、设备、介质和程序产品
CN114943583A (zh) 用户喜好物品信息生成方法、装置、电子设备和介质
CN114639071A (zh) 图像人群计数模型训练方法、人数信息生成方法和装置
CN111680754B (zh) 图像分类方法、装置、电子设备及计算机可读存储介质
CN114792086A (zh) 一种支持文本交叉覆盖的信息抽取方法、装置、设备和介质
CN111709784A (zh) 用于生成用户留存时间的方法、装置、设备和介质
CN115345931B (zh) 物体姿态关键点信息生成方法、装置、电子设备和介质
CN114648728A (zh) 图像人群计数方法、模型训练方法、装置、设备和介质
CN115099323B (zh) 内容小组确定方法、装置、介质及电子设备

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