面向目标计数的选择性继承学习方法、装置以及电子设备制造方法及图纸

本申请涉及计算机视觉技术领域，公开了一种面向目标计数的选择性继承学习方法、装置以及电子设备。所述方法将目标图像输入特征提取网络，提取到多个不同分辨率的第一特征；按照分辨率从低到高的次序，利用预设的选择性继承适配器从低分辨率的融合特征中提取并传递第二特征，并将第二特征与高分辨率的第一特征融合生成高分辨率的融合特征；其中，第二特征为低分辨率的融合特征中最具有鉴别性的特征区域；将最高分辨率下的融合特征作为目标特征，并根据目标特征进行目标计数。本申请实施例可以在每个分辨率下选择最具有鉴别性的特征区域进行特征学习，并从低分辨率向高分辨率逐步继承具有鉴别性的特征，可以有效解决尺度变化的问题。的问题。的问题。

【技术实现步骤摘要】
面向目标计数的选择性继承学习方法、装置以及电子设备


[0001]本申请涉及计算机视觉
，具体涉及一种面向目标计数的选择性继承学习方法、装置以及电子设备。

技术介绍

[0002]利用计算机视觉技术进行目标计数有着广泛的应用，例如对密集场景的人群计数可以给估计人群密度，防止踩踏事故的发生，对于交通场景中的车辆计数可以辅助交通管理，在医疗场景下的细胞计数可以辅助诊断疾病，野外场景中动物计数可以帮助保护珍惜物种，农作物计数可以准确预估作物产量。
[0003]深度学习是目前用于目标计数的一个常用范式。构建的深度模型首先会提取输入图像关于待计数目标的有效特征，然后输出一张单通道的密度图，最后，利用标注的目标中心点生成的高斯密度图进行监督，从而不断的优化模型，使得预测的密度图和真实的密度图之间的距离不断缩小。
[0004]现有技术方案中，缩放图像块的方法是解决目标计数中尺度变化的一种新的范式，其在第一阶段先为给定的图像块或特征块预估适当的缩放因子，然后根据尺度预测因子缩放图像或特征到合适的尺度再进行第二阶段的密度预测。该方法使得整体的计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向目标计数的选择性继承学习方法，其特征在于，所述方法包括：将目标图像输入特征提取网络，提取到多个不同分辨率的第一特征；按照分辨率从低到高的次序，利用预设的选择性继承适配器从低分辨率的融合特征中提取并传递第二特征，并将所述第二特征与高分辨率的第一特征融合生成高分辨率的融合特征；将最高分辨率下的所述融合特征作为目标特征，并根据所述目标特征进行目标计数；其中，最低分辨率的所述融合特征为最低分辨率的第一特征；所述选择性继承适配器设于相邻的所述第一特征之间；所述第二特征为所述低分辨率的融合特征中最具有鉴别性的特征区域。2.根据权利要求1所述的面向目标计数的选择性继承学习方法，其特征在于，所述选择性继承适配器包括尺度非自定义特征前向传播网络和软掩码生成器，所述利用预设的选择性继承适配器从低分辨率的融合特征中提取并传递第二特征，包括：利用软掩码生成器处理所述低分辨率的融合特征，获得未聚合的特征，并利用所述未聚合的特征生成第一注意力映射图；利用所述第一注意力映射图对所述低分辨率的融合特征解纠缠，得到所述第二特征。3.根据权利要求2所述的面向目标计数的选择性继承学习方法，其特征在于，所述将最高分辨率下的所述融合特征作为目标特征，并根据所述目标特征进行目标计数之前，所述方法还包括：利用所述选择性继承适配器从所述第一特征中提取预测特征；利用所述预测特征获取对应分辨率下的预测结果，并计算损失值。4.根据权利要求3所述的面向目标计数的选择性继承学习方法，其特征在于，所述选择性继承适配器还包括尺度自定义特征前向传播网络，所述利用所述选择性继承适配器从所述第一特征中提取预测特征，包括：利用软掩码生成器处理所述低分辨率的融合特征，获得已聚合的特征，并利用所述已聚合的特征生成第二注意力映射图；利用所述第二注意力映射图对所述低分辨率的融合特征解纠缠，得到所述预测特征。5.根据权利要求2中任一项所述的面...

【专利技术属性】
技术研发人员：白磊，韩滔，欧阳万里，
申请(专利权)人：上海人工智能创新中心，
类型：发明
国别省市：