基于自适应区域选择模块的人群计数模型训练方法及装置与流程

本申请涉及计算机视觉，尤其涉及一种基于自适应区域选择模块的人群计数模型训练方法及装置。

背景技术：

1、人群计数在视频监控、公共安全等方面广泛应用，可以通过人群计数实时了解人群拥挤情况，随着深度学习技术的发展，人群计数任务精度越来越高，如今常用卷积神经网络的人群计数算法感知人群密度，该算法是将不同的局部区域进行放大，然后在不同的区域再单独执行预测任务，这样可以一定程度上预测人群密度，但是该算法的复杂度高，在人群复杂的场景下难以准确预测人群密度，例如在人群重叠、遮挡和密集等情况下会影响人群计数的效果。

2、因此，现有技术存在复杂场景下人群计数效果不佳的问题。

技术实现思路

1、有鉴于此，本申请实施例提供了一种基于自适应区域选择模块的人群计数模型训练方法及装置，以解决现有技术中在复杂场景下人群计数效果不佳的问题。

2、本申请实施例的第一方面，提供了一种基于自适应区域选择模块的人群计数模型训练方法，包括：利用特征提取网络提取训练集中对象图片的特征，得到原始特征图；将原始特征图分别输入至卷积神经网络分支与转换分支；在卷积神经网络分支中，利用卷积模块对原始特征图进行变换，得到经过卷积模块变换的深层特征图；在转换分支中，利用预设转换模块对原始特征图进行变换，得到经过预设转换模块变换的深层特征图；将经过卷积模块变换的深层特征图与经过预设转换模块变换的深层特征图，分别输入至对应分支的自适应区域选择模块中，进行自适应处理，得到第一加权特征图和第二加权特征图；根据第一加权特征图和第二加权特征图，得到输出结果；根据输出结果与真实标签计算损失函数，利用损失函数反向更新网络参数，得到训练后的人群计数模型。

3、本申请实施例的第二方面，提供了一种基于自适应区域选择模块的人群计数模型训练装置，包括：提取模块，被配置为利用特征提取网络提取训练集中对象图片的特征，得到原始特征图；输入模块，被配置为将原始特征图分别输入至卷积神经网络分支与转换分支；第一变换模块，被配置为在卷积神经网络分支中，利用卷积模块对原始特征图进行变换，得到经过卷积模块变换的深层特征图；第二变换模块，被配置为在转换分支中，利用预设转换模块对原始特征图进行变换，得到经过预设转换模块变换的深层特征图；加权模块，被配置为将经过卷积模块变换的深层特征图与经过预设转换模块变换的深层特征图，分别输入至对应分支的自适应区域选择模块中，进行自适应处理，得到第一加权特征图和第二加权特征图；输出模块，被配置为根据第一加权特征图和第二加权特征图，得到输出结果；更新模块，被配置为根据输出结果与真实标签计算损失函数，利用损失函数反向更新网络参数，得到训练后的人群计数模型。

4、本申请实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

5、本申请实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

6、本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

7、通过提取训练集中对象图片的特征，得到原始特征图，将该原始特征图分别输入至卷积神经网络分支和转换分支中；在卷积神经网络分支中，利用卷积模块对原始特征图进行变换，得到经过卷积模块变换的深层特征图；在转换分支中，利用预设转换模块对原始特征图进行变换，得到经过预设转换模块变换的深层特征图；然后将经过卷积模块变换以及经过预设转换模块变换的深层特征图，分别发送到对应两个分支的自适应区域选择模块中进行自适应处理，得到对应的第一加权特征图和第二加权特征图；再将第一加权特征图和第二加权特征图相加，得到人群计数模型训练的输出结果，再利用该输出结果与真实标签计算损失函数，再根据该损失函数反向更新网络参数，以使得网络能够更好地拟合训练数据，反复执行以上训练过程直至得到输出结果准确的人群计数模型。这样通过设计卷积神经网络分支与转换分支，利用卷积模块处理局部特征，利用预设转换模块建立全局依赖，并在两个分支中均设置自适应区域选择模块，通过自适应区域选择模块的学习来确定其感兴趣的区域，并针对其感兴趣的区域进行特征处理，也即对应分支的自适应区域选择模块对输入的自适应处理，根据对应分支的自适应处理结果得到对应分支的输出结果。然后将对应分支的输出结果进行融合，得到人群计数模型训练的输出结果，可以根据输出结果与真实标签计算损失函数，并根据损失函数反复训练得到能够的输出准确的人群计数结果的人群计数模型，该模型可以对具有复杂的场景进行人群计数，提升了人群计数在复杂场景下的预测效果。

技术特征：

1.一种基于自适应区域选择模块的人群计数模型训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述利用卷积模块对所述原始特征图进行变换，得到经过卷积模块变换的深层特征图，包括：

3.根据权利要求1所述的方法，其特征在于，所述利用预设转换模块对所述原始特征图进行变换，得到经过预设转换模块变换的深层特征图，包括：

4.根据权利要求1所述的方法，其特征在于，所述将所述经过卷积模块变换的深层特征图与所述经过预设转换模块变换的深层特征图，分别输入至对应分支的自适应区域选择模块中，进行自适应处理，得到第一加权特征图和第二加权特征图，包括：

5.根据权利要求4所述的方法，其特征在于，所述进行自适应处理，得到第一加权特征图和第二加权特征图，包括：

6.根据权利要求1所述的方法，其特征在于，所述根据所述第一加权特征图和所述第二加权特征图，得到输出结果，包括：

7.根据权利要求1所述的方法，其特征在于，所述利用特征提取网络提取训练集中对象图片的特征，得到原始特征图，包括：

8.一种基于自适应区域选择模块的人群计数模型训练装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，所述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中任一项所述方法的步骤。

技术总结
本申请涉及计算机视觉技术领域，提供了一种基于自适应区域选择模块的人群计数模型训练方法及装置。该方法包括：利用特征提取网络提取训练集中对象图片的特征，得到原始特征图；在卷积神经网络分支中，利用卷积模块对原始特征图进行变换，得到经过卷积模块变换的深层特征图；在转换分支中，利用预设转换模块对原始特征图进行变换，得到经过预设转换模块变换的深层特征图；将两个分支中的深层特征图，分别输入至对应分支的自适应区域选择模块中，进行自适应处理，得到第一加权特征图和第二加权特征图；再进一步得到输出结果；最后计算损失函数并反向更新网络以训练人群计数模型。本申请实施例解决了在复杂场景下人群计数效果不佳的问题。

技术研发人员：石雅洁,蒋召
受保护的技术使用者：深圳须弥云图空间科技有限公司
技术研发日：
技术公布日：2024/4/17