【技术实现步骤摘要】
本专利技术涉及计算机视觉，尤其涉及一种基于深度神经网络的小样本图像目标计数方法。
技术介绍
1、图像目标计数旨在对图像中的目标实体通过目标检测、机器学习等方法进行数量统计，在实际生活中有着广泛的应用。例如，在生物学中通过细胞计数辅助生物研究，在交通系统中通过车辆计数统计车流量，在客流密集场景下通过人群计数对人流量进行预警和控制，避免人群踩踏事件的发生。
2、图像目标计数任务早期技术路线是通过传统图像数字处理方法提取图像特征，然后利用人工设计的算子或者机器学习模型对图像到计数值之间的映射函数进行学习。随着人工智能技术的发展，深度学习模型在计算机视觉领域取得了巨大的突破。由于强大的表征学习能力，深度学习被广泛地用于图像目标计数任务。
3、然而现有的基于峰值查找算法的目标计数模型多集中于对某一特定类别目标的计数，一般需要大量的标注数据并且不能很好的泛化到其他域，缺乏对通用类别目标计数的泛化能力。
技术实现思路
1、本专利技术针对现有技术的不足，提出了一种基于深度神经网络的...
【技术保护点】
1.一种基于深度神经网络的小样本图像目标计数方法，其特征在于，包括下列步骤：
2.如权利要求1所述的一种基于深度神经网络的小样本图像目标计数方法，其特征在于，步骤1的图像预处理包括：
3.如权利要求2所述的一种基于深度神经网络的小样本图像目标计数方法，其特征在于，数据增强处理包括高斯模糊、旋转平移、随机水平和垂直翻转。
4.如权利要求1所述的一种基于深度神经网络的小样本图像目标计数方法，其特征在于，步骤2采用的骨干网络为层数为50层的深度残差网络，选取其中间阶段输出的不同尺度的特征图作为骨干网络的多级特征提取结果。
5....
【技术特征摘要】
1.一种基于深度神经网络的小样本图像目标计数方法，其特征在于，包括下列步骤：
2.如权利要求1所述的一种基于深度神经网络的小样本图像目标计数方法，其特征在于，步骤1的图像预处理包括：
3.如权利要求2所述的一种基于深度神经网络的小样本图像目标计数方法，其特征在于，数据增强处理包括高斯模糊、旋转平移、随机水平和垂直翻转。
4.如权利要求1所述的一种基于深度神经网络的小样本图像目标计数方法，其特征在于，步骤2采用的骨干网络为层数为50层的深度残差网络，选取其中间阶段输出的不同尺度的特征图作为骨干网络的多级特征提取结果。
5.如权利要求1所述的一种基于深度神经网络的小样本图像目标计数方法，其特征在于，步骤3具体包括：
6.如权利要求5所述的一...
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。