System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及人工智能领域,具体涉及一种域自适应模型训练方法与相关方法、装置、设备及介质。
技术介绍
1、人群计数有很多现实生活的应用,例如监视,公共安全,交通监控,城市规划等。人群计数的方法也可以应用于其他领域的计数,例如对显微图像中的细胞或细菌进行计数,对动物进行生态研究,对交通控制中的车辆进行计数等。目前性能较好的模型主要采用有监督的学习方法,但面临着标注数据费时费力的问题。并且,单个场景下标注的数据训练的模型,在其他场景下并不适用,即性能表现不好。
2、目前,通过学习一个通用模型,同时使用来自多个域的不同数据进行训练,使模型在多个域中均表现良好。然而,神经网络模型在学习过程中更喜欢从主导域而不是所有域中拟合样本,即学习后的模型只在主导域数据表现优异,而在其他域数据表现较差,存在有偏学习的问题。相关技术中存在通过多阶段的训练方案解决模型有偏学习的问题,但是这种训练方法又存在方法设计复杂,训练时间过长等问题。
技术实现思路
1、本申请实施例提供了一种域自适应模型训练方法与相关方法、装置、设备及介质,通过单阶段训练策略,利用训练好的参数器对图像特征进行引导,使域自适应模型能够去自适应学习区分不同域数据的区别,对提取的图像特征进行调制,即在特征映射空间中将相同域的图像特征划分在一起,使得人群密度图预测器能够根据域的划分对其中的图像特征进行密度图的预测,输出效果更好的预测密度图,提升人群计数的准确性,利用单阶段训练策略去训练调制域自适应网络模型,提升模型的性能,解决多域人群计
2、为解决上述问题,本申请实施例提供以下技术方案:
3、根据本公开的一方面,提供了一种域自适应模型的训练方法,包括:
4、获取图像样本;
5、将所述图像样本输入骨干网络进行特征提取,得到第一图像特征;
6、将所述第一图像特征输入参数器进行卷积处理,得到第二图像特征;
7、将所述第二图像特征输入分类器进行第一预测处理,得到第一预测虚拟类标,根据所述第一预测虚拟类标与目标虚拟类标的第一差异对所述参数器进行第一训练;
8、通过所述参数器对所述第二图像特征进行信息处理,得到分类信息;
9、根据所述分类信息对所述第一图像特征进行分类处理,得到域自适应图像特征;
10、将所述域自适应特征输入密度图预测器进行第二预测处理,得到预测密度图,并根据所述预测密度图与真实密度图的第二差异对骨干网络进行第二训练;
11、返回执行将所述图像样本输入骨干网络进行特征提取的步骤,进行迭代训练,直至所述第一差异和第二差异收敛,得到训练后的域自适应模型,所述域自适应模型包括训练后的参数器和训练后的骨干网络。
12、根据本公开的一方面,提供了一种人群计数方法,包括:
13、获取图像样本;
14、将所述图像样本输入上述域自适应模型训练方法训练出的域自适应模型中,输出预测密度图;
15、对所述预测密度图进行求和计算,计算出所述预测密度图对应的人群数量。
16、根据本公开的一方面,提供了一种域自适应模型训练装置,所述训练装置包括:
17、第一获取单元,用于获取图像样本;
18、第一生成单元,用于将所述图像样本输入骨干网络进行特征提取,得到第一图像特征;
19、第二生成单元,用于将所述第一图像特征输入参数器进行卷积处理,得到第二图像特征;
20、第一训练单元,用于将所述第二图像特征输入分类器进行第一预测处理,得到第一预测虚拟类标,根据所述第一预测虚拟类标与目标虚拟类标的第一差异对所述参数器进行第一训练;
21、第三生成单元,用于所述参数器对所述第二图像特征进行信息处理,得到分类信息;
22、信息分类单元,用于根据所述分类信息对所述第一图像特征进行分类,得到域自适应图像特征;
23、第二训练单元,用于将所述域自适应特征输入密度图预测器进行第二预测处理,得到预测密度图,并根据所述预测密度图与真实密度图的第二差异对骨干网络进行第二训练;
24、迭代训练单元,用于返回执行将所述图像样本输入骨干网络进行特征提取的步骤,进行迭代训练,直至所述第一差异和第二差异收敛,得到训练后的域自适应模型,所述域自适应模型包括训练后的参数器和训练后的骨干网络。
25、在一些实施方式中,所述第一训练单元具体用于:
26、根据所述第一预测虚拟类标与所述目标虚拟类标的第一差异构建第一损失函数;
27、根据所述第一损失函数进行梯度回传,对所述参数器进行所述第一训练。
28、在一些实施方式中,所述信息分类单元具体用于:
29、通过调制器对所述分类信息进行分类处理,得到第一子分类信息和第二子分类信息;
30、根据所述第一子分类信息对所述第一图像特征进行第一分类引导;
31、根据所述第二子分类信息对所述第一图像特征进行第二分类引导;
32、根据所述第一分类引导和所述第二分类引导对所述第一图像特征进行分类,得到所述第一图像特征对应的域自适应图像特征。
33、在一些实施方式中,真实密度图为对所述域自适应图像特征对应的图像样本进行预处理得到的,所述第二训练单元具体用于:
34、根据所述预测密度图与所述真实密度图的第二差异构建第二损失函数;
35、根据所述第二损失函数进行梯度回传,对所述骨干网络进行所述第二训练。
36、在一些实施方式中,在所述第一训练单元之后,所述训练装置还包括:
37、第四生成单元,用于对所述第一预测虚拟类标进行修正处理,得到第二预测虚拟类标;
38、第五生成单元,用于根据预设训练窗口大小确定第一迭代次数;
39、第一子迭代单元,用于返回通过分类器将所述第二图像特征输入分类器进行第一预测处理,得到第一预测虚拟类标,根据所述第一预测虚拟类标与目标虚拟类标的第一差异对所述参数器进行第一训练完成第一迭代,直至第一迭代的次数达到所述第一迭代次数;
40、第六生成单元,用于对所述第一迭代中得到的多个所述第二预测虚拟类标取平均值,得到第三预测虚拟类标,根据所述第三预测虚拟类标更新所述目标虚拟类标;
41、第二子迭代单元,用于重新通过分类器根据所述第二图像特征进行所述第一预测处理,得到所述第一预测虚拟类标,并返回根据所述第一预测虚拟类标与更新后的目标虚拟类标的第一差异对所述参数器进行第一训练的步骤继续进行第二迭代,直至满足所述第二迭代的结束条件,得到优化后的参数器。
42、在一些实施方式中,所述第四生成单元具体用于:
43、获取第一预测虚拟类标中第一部分的第一最大向量值;
44、获取第一预测虚拟类标中第二部分的第二最大向量值;
45、将所本文档来自技高网...
【技术保护点】
1.一种域自适应模型的训练方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述将所述第二图像特征输入分类器进行第一预测处理,得到第一预测虚拟类标,根据所述第一预测虚拟类标与目标虚拟类标的第一差异对所述参数器进行第一训练之后,还包括:
3.根据权利要求2所述的方法,其特征在于,所述第一预测虚拟类标包含多个向量值,所述对所述第一预测虚拟类标进行修正处理,得到第二预测虚拟类标,包括:
4.根据权利要求2所述的方法,其特征在于,所述根据所述第三预测虚拟类标更新所述目标虚拟类标,包括:
5.根据权利要求2所述的方法,其特征在于,所述第一训练,包括:
6.根据权利要求1所述的方法,其特征在于,所述根据所述分类信息对所述第一图像特征进行分类处理,得到域自适应图像特征,包括:
7.根据权利要求1所述的方法,其特征在于,所述根据所述预测密度图与真实密度图的第二差异对骨干网络进行第二训练,包括:
8.一种人群计数方法,其特征在于,包括:
9.一种域自适应模型训练装置,其特征在于,所述训
10.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现根据权利要求1-7任意一项所述域自适应模型训练方法,或根据权利要求8所述的人群计数方法。
11.一种计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时实现根据权利要求1-7任意一项所述域自适应模型训练方法,或根据权利要求8所述的人群计数方法。
...【技术特征摘要】
1.一种域自适应模型的训练方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述将所述第二图像特征输入分类器进行第一预测处理,得到第一预测虚拟类标,根据所述第一预测虚拟类标与目标虚拟类标的第一差异对所述参数器进行第一训练之后,还包括:
3.根据权利要求2所述的方法,其特征在于,所述第一预测虚拟类标包含多个向量值,所述对所述第一预测虚拟类标进行修正处理,得到第二预测虚拟类标,包括:
4.根据权利要求2所述的方法,其特征在于,所述根据所述第三预测虚拟类标更新所述目标虚拟类标,包括:
5.根据权利要求2所述的方法,其特征在于,所述第一训练,包括:
6.根据权利要求1所述的方法,其特征在于,所述根据所述分类信息对所述第一图...
【专利技术属性】
技术研发人员:王耀威,郭明月,颜肇义,叶齐祥,
申请(专利权)人:鹏城实验室,
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。