对象计数模型的训练方法、装置、设备以及存储介质制造方法及图纸

本申请公开了一种对象计数模型的训练方法、装置、设备以及存储介质，可应用于计算机技术中的人工智能以及车载等场景。对上一轮模型训练时使用的第一样本图像进行处理，得到第二样本图像，得到的第二样本图像既包括第一样本图像上的参考边界框，也包括挖掘得到的预测边界框。将第二样本图像输入对象计数模型，通过对象计数模型对该第二样本图像进行处理，得到该第二样本图像的预测密度图像，后续基于第二样本图像的预测密度图像和参考密度图像之间的第一差异信息对该对象计数模型进行训练，训练过程不完全依赖于标注，通过自挖掘的形式能够扩展已有标注，从而使得对象计数模型学习到多个对象的特征，提高该对象计数模型最终的计数效果。数效果。数效果。

【技术实现步骤摘要】
对象计数模型的训练方法、装置、设备以及存储介质


[0001]本申请涉及计算机
，特别涉及一种对象计数模型的训练方法、装置、设备以及存储介质。

技术介绍

[0002]随着计算机技术的发展，机器学习技术的应用场景越来越广泛。比如，小样本计数是机器学习领域的一个重要研究方向，这里的小样本是指数量较少的样本，计数是指确定图像中对象的数量。小样本计数的目的是使用数量较少的样本对象对模型进行训练之后，模型就能够确定图像中样本对象的数量。
[0003]相关技术中，都是只能在给定的若干样本对象上获取所需的样本对象的特征，并基于获取到的特征对模型进行训练。模型的计数效果严重依赖于标注。如果给定的样本对象的数量非常少(比如只给定一个样本对象)，则由于模型只能学习到这一个样本对象的特征，在使用模型进行计数时容易由于样本对象数量的不足而出现较大的偏差，也即是模型输出的预测密度图的准确性较低，从而导致输出的计数结果不准确。

技术实现思路

[0004]本申请实施例提供了一种对象计数模型的训练方法、装置、设备以及存储介质，可以在样本对象数量较少本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对象计数模型的训练方法，其特征在于，所述方法包括：将第一样本图像输入对象计数模型，所述第一样本图像为上一轮模型训练时使用的样本图像，所述第一样本图像包括多个样本对象以及包围所述样本对象的至少一个参考边界框；通过所述对象计数模型，基于所述第一样本图像生成第二样本图像，所述第二样本图像包括所述至少一个参考边界框以及至少一个预测边界框，所述预测边界框包围的区域为存在所述样本对象的置信度符合第一置信度条件的区域；将所述第二样本图像输入所述对象计数模型，通过所述对象计数模型，基于所述第二样本图像生成所述第二样本图像的预测密度图像，所述第二样本图像的预测密度图像用于表示所述第二样本图像中所述样本对象的预测分布情况；基于所述第二样本图像的预测密度图像与参考密度图像之间的第一差异信息，对所述对象计数模型进行训练，所述参考密度图像用于表示所述第二样本图像中所述样本对象的实际分布情况。2.根据权利要求1所述的方法，其特征在于，所述基于所述第一样本图像生成第二样本图像包括：对所述第一样本图像进行处理，得到所述第一样本图像的预测密度图像，所述第一样本图像的预测密度图像用于表示所述第一样本图像中所述样本对象的预测分布情况；基于所述第一样本图像的预测密度图像，生成所述第二样本图像。3.根据权利要求2所述的方法，其特征在于，所述对所述第一样本图像进行处理，得到所述第一样本图像的预测密度图像包括：对所述第一样本图像进行特征提取，得到所述第一样本图像的第一特征图；基于所述第一特征图上的第一目标特征区域与其他特征区域之间的相似度，生成所述第一样本图像的预测密度图像，所述第一目标特征区域为所述参考边界框所在的区域。4.根据权利要求2所述的方法，其特征在于，所述基于所述第一样本图像的预测密度图像，生成所述第二样本图像包括：对所述第一样本图像的预测密度图像进行均值滤波，得到第一滤波图像；对所述第一滤波图像进行局部最大值提取，得到所述第一滤波图像中的至少一个候选位置，所述候选位置为存在所述样本对象的置信度符合第二置信度条件的位置；基于所述第一滤波图像中的至少一个候选位置和所述至少一个参考边界框，生成所述第二样本图像。5.根据权利要求4所述的方法，其特征在于，所述基于所述第一滤波图像中的至少一个候选位置和所述至少一个参考边界框，生成所述第二样本图像包括：基于所述至少一个候选位置，在所述第一滤波图像中生成至...

【专利技术属性】
技术研发人员：黄钟毅，高斌斌，刘俊，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：