一种密度估计模型训练方法、装置、存储介质及电子设备制造方法及图纸

本申请提出一种密度估计模型训练方法、装置、存储介质及电子设备。首先，结合第一类图片和第二类图片以半监督的方式训练密度估计模型，节省标注时间和人工成本；再将真实密度图和预测密度图作为密度图判别模型的输入，以获取判别结果，判别结果体现了密度估计模型的当前性能；最后，将判别结果作为附加信息更新密度估计模型，以使更新后的密度估计模型输出的预测密度图更真实，在整个训练过程中，减少了对人工标注的密度图的依赖，同时提升了密度估计模型的性能。

A training method, device, storage medium and electronic equipment for density estimation model

【技术实现步骤摘要】
一种密度估计模型训练方法、装置、存储介质及电子设备
本申请涉及视频智能分析
，具体而言，涉及一种密度估计模型训练方法、装置、存储介质及电子设备。
技术介绍
基于机器视觉的物体计数任务，与物体检测、物体识别、物体跟踪等任务一样，是机器视觉在工业界常见且重要的应用之一。目前基于机器视觉的物体计数技术广泛用于人群密度估计和计数中，具体地，人群密度估计模型是人群监控、拥挤监测、兴趣区域检测、人群统计等应用的主要技术手段。现有技术在训练基于深度学习的人群密度估计模型时，需要准备大量的带标注数据，但是数据标注成本较高且数据积累比较缓慢，这严重制约了模型的开发改进速度和相关产品的推广。模型上线后，当需要提升模型在新场景上的准确率时，往往还需要进行较长时间的数据标注工作，而无法立即对模型的误检、漏检进行修复。
技术实现思路
本申请的目的在于提供一种密度估计模型训练方法、装置、存储介质及电子设备，以解决上述问题。为了实现上述目的，本申请实施例采用的技术方案如下：第一方面，本申请实施例提供一种密度估计模型训练方法，所述方法包括：将第一类图片和第二类图片作为密度估计模型的输入，以获取预测密度图，其中，所述第一类图片为有对应的真实密度图的图片，所述第二类图片为没有对应的真实密度图的图片，真实密度图为人工标注的密度图；将真实密度图和所述预测密度图作为密度图判别模型的输入，以获取判别结果，其中，所述判别结果表征输入到所述密度图判别模型的每一张密度图是否为真实密度图；将所述判别结果作为附加信息更新所述密度估计模型，以使更新后的密度估计模型输出的预测密度图更真实。第二方面，本申请实施例提供一种密度估计模型训练装置，所述装置包括：密度估计模型单元，用于将第一类图片和第二类图片作为密度估计模型的输入，以获取预测密度图，其中，所述第一类图片为有对应的真实密度图的图片，所述第二类图片为没有对应的真实密度图的图片，真实密度图为人工标注的密度图；密度图判别模型单元，用于将真实密度图和所述预测密度图作为密度图判别模型的输入，以获取判别结果，其中，所述判别结果表征输入到所述密度图判别模型的每一张密度图是否为真实密度图；所述密度估计模型单元还用于将所述判别结果作为附加信息更新所述密度估计模型，以使更新后的密度估计模型输出的预测密度图更真实。第三方面，本申请实施例提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述的方法。第四方面，本申请实施例提供一种电子设备，所述电子设备包括：处理器和存储器，所述存储器用于存储一个或多个程序；当所述一个或多个程序被所述处理器执行时，实现如上述的方法。相对于现有技术，本申请实施例所提供的一种密度估计模型训练方法、装置、存储介质及电子设备中：首先，结合第一类图片和第二类图片以半监督的方式训练密度估计模型，节省标注时间和人工成本；再将真实密度图和预测密度图作为密度图判别模型的输入，以获取判别结果，判别结果体现了密度估计模型的当前性能；最后，将判别结果作为附加信息更新密度估计模型，以使更新后的密度估计模型输出的预测密度图更真实，在整个训练过程中，减少了对人工标注的密度图的依赖，同时提升了密度估计模型的性能。为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。图1为本申请实施例提供的电子设备的结构示意图；图2为本申请实施例提供的密度估计模型训练方法的流程示意图；图3为本申请实施例提供的S105的子步骤流程示意图；图4为本申请实施例提供的密度估计模型训练方法的另一种流程示意图；图5为本申请实施例提供的密度估计模型训练方法的另一种流程示意图；图6为本申请实施例提供的密度估计模型训练方法的另一种流程示意图；图7为本申请实施例提供的密度估计模型训练方装置的单元示意图。图中：10-处理器；11-存储器；12-总线；201-密度估计模型单元；202-密度图判别模型单元。具体实施方式为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。在本申请的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。本申请实施例提供了一种电子设备，可以是电脑、手机或者服务器。请参照图1，电子设备的结构示意图。电子设备包括处理器10、存储器11、总线12。处本文档来自技高网...

【技术保护点】
1.一种密度估计模型训练方法，其特征在于，所述方法包括：/n将第一类图片和第二类图片作为密度估计模型的输入，以获取预测密度图，其中，所述第一类图片为有对应的真实密度图的图片，所述第二类图片为没有对应的真实密度图的图片，真实密度图为人工标注的密度图；/n将真实密度图和所述预测密度图作为密度图判别模型的输入，以获取判别结果，其中，所述判别结果表征输入到所述密度图判别模型的每一张密度图是否为真实密度图；/n将所述判别结果作为附加信息更新所述密度估计模型，以使更新后的密度估计模型输出的预测密度图更真实。/n

【技术特征摘要】
1.一种密度估计模型训练方法，其特征在于，所述方法包括：
将第一类图片和第二类图片作为密度估计模型的输入，以获取预测密度图，其中，所述第一类图片为有对应的真实密度图的图片，所述第二类图片为没有对应的真实密度图的图片，真实密度图为人工标注的密度图；
将真实密度图和所述预测密度图作为密度图判别模型的输入，以获取判别结果，其中，所述判别结果表征输入到所述密度图判别模型的每一张密度图是否为真实密度图；
将所述判别结果作为附加信息更新所述密度估计模型，以使更新后的密度估计模型输出的预测密度图更真实。


2.如权利要求1所述的密度估计模型训练方法，其特征在于，所述将所述判别结果作为附加信息更新所述密度估计模型的步骤，包括：
依据所述判别结果生成第一损失函数，其中，所述第一损失函数表征所述预测密度与所述真实密度图的差异度；
将所述第一损失函数作为所述附加信息更新所述密度估计模型。


3.如权利要求2所述的密度估计模型训练方法，其特征在于，在所述将所述第一损失函数作为所述附加信息更新所述密度估计模型之后，所述方法还包括：
当所述第一损失函数变小，且变化值大于第一阈值时，判断训练轮次是否小于预设次数；
若是，则通过第一类图片训练所述密度估计模型。


4.如权利要求2所述的密度估计模型训练方法，其特征在于，在所述将所述第一损失函数作为所述附加信息更新所述密度估计模型之后，所述方法还包括：
当所述第一损失函数大于第二阈值时，判断训练轮次是否小于预设次数；
若是，则通过第一类图片训练所述密度估计模型。


5.如权利要求1所述的密度估计模型训练方法，其特征在于，在将真实密度图和所述预测密度图作为密度图判别模型的输入，以获取判别结果之后，所述方法还包括：
依据所述判...

【专利技术属性】
技术研发人员：翟波，
申请(专利权)人：重庆紫光华山智安科技有限公司，
类型：发明
国别省市：重庆;50