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