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数方法实现复杂度增加，训练开销增大；其次，该方法难以一次预测得到整张图像的密度预测图，增加了推理所需的时间。
[0005]多尺度融合方法也被广泛应用构建尺度感知的目标计数方法。一般来说，多尺度融合方法首先构建图像的多尺度特征表示，然后利用注意力机制来加权融合不同分辨率的特征或者密度图。但由于多尺度融合方法没有独立优化每个尺度所擅长的目标尺度范围，使得这一类方法无法有效解决尺度变化的问题。
技术实现思路
[0006]本申请实施例提供了一种面向目标计数的选择性继承学习方法，以解决现有技术中，无法有效解决尺度变化的问题的问题。
[0007]相应的，本申请实施例还提供了一种面向目标计数的选择性继承学习装置、一种电子设备、一种计算机可读存储介质，用于保证上述方法的实现及应用。
[0008]为了解决上述技术问题，本申请实施例公开了一种面向目标计数的选择性继承学习方法，所述方法包括：
[0009]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；
[0010]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；
[0011]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；
[0012]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。
[0013]本申请实施例还公开了一种面向目标计数的选择性继承学习装置，所述装置包括：
[0014]特征提取模块，用于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；
[0015]特征传递模块，用于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；
[0016]目标计数模块，用于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；
[0017]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。
[0018]本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本申请实施例中一个或多个所述的方法。
[0019]本申请实施例还公开了一种计算机可读存储介质，该计算机可读存储介质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本申请实施例中一个或多个所述的方法。
[0020]本申请实施例中，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；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；然后，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。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。
[0021]本申请实施例附加的方面和优点将在下面的描述部分中给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0022]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0023]图1为本申请实施例提供的面向目标计数的选择性继承学习方法的流程图；
[0024]图2为本申请实施例提供的第一示例的结构示意图；
[0025]图3为本申请实施例提供的第二示例的结构示意图；
[0026]图4为本申请实施例提供的效果对比图；
[0027]图5为本申请实施例提供的向目标计数的选择性继承学习方法的结构示意图；
[0028]图6为本申请实施例提供的电子设备的结构示意图。
具体实施方式
[0029]下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
[0030]本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组合。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
[0031]本领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
[0032]本申请实施例所提供的方案可以由任一电子设备执行，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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。