CN107301387A - 一种基于深度学习的图像高密度人群计数方法 - Google Patents

一种基于深度学习的图像高密度人群计数方法 Download PDF

Info

Publication number
CN107301387A
CN107301387A CN201710457548.2A CN201710457548A CN107301387A CN 107301387 A CN107301387 A CN 107301387A CN 201710457548 A CN201710457548 A CN 201710457548A CN 107301387 A CN107301387 A CN 107301387A
Authority
CN
China
Prior art keywords
mrow
network
image
msub
crowd
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710457548.2A
Other languages
English (en)
Inventor
邓腾飞
周智恒
余卫宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201710457548.2A priority Critical patent/CN107301387A/zh
Publication of CN107301387A publication Critical patent/CN107301387A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的图像高密度人群计数方法，包括下述步骤：S1、利用深度学习框架caffe建立深浅互补卷积神经网络；S2、对图像按角度旋转、图像的多尺度缩放、图像的镜像以及图像金字塔缩放的操作实现图像数据增强；S3、将增强后的图像数据进行Gaussian核模糊归一化处理后得到真实的人群密度图，网络输出估计密度图与真实密度图按照损失函数不断迭代训练优化整个网络结构；S4、将人群图片和标签图片输入给网络训练，不断迭代优化最终得到训练好的网络模型。本发明设计了一个端到端的卷积神经网络，通过给定一张图片用于输入，输出该图片对应的估计的密度图，进而得到估计的人群的数目，通过输出密度图，保留了更多的有用的信息。

Description

一种基于深度学习的图像高密度人群计数方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的图像的高密度人群计数方法。
背景技术
近些年深度学习发展非常火热，卷积神经网络在图像处理中得到了飞速发展，各种架构的神经网络层出不穷，通过设计精密的神经网络结构，可以用于高密度场景下的人群数目估计。公共场合如火车站，体育馆等人流量密集的地方，对于实时监控人群数目能调控人流从而避免发生诸如踩踏等威胁人身安全的事件，对于提升公共安全意义重大。
传统的人群计数算法需要前期对图像进行复杂的预处理，需要人工设计和提取特征，并且不同的场景下适应性较差，在高密度人群场景下由于严重的遮挡以及视角畸变等原因，传统的人群计数算法效果较差。
深度学习通过设计卷积神经网络，无需对图片进行前景分割等预处理，无需人工设计和提取特征，直接输入大小不一的图片，网络可以实现端到端的训练，自动学习到高层语义特征，可以交替回归图像块的人群密度和人群总数来实现人数估计。
发明内容
本发明的主要目的在于克服传统的图像处理在高密度人群计数中的缺点与不足，提出了利用深度学习中的卷积神经网络进行人群计数，无需人工干预设计复杂的特征提取方法，所提出的深浅互补卷积神经网络自动学习参数提取高密度人群图片特征，并回归得到人群密度图。
为了达到上述目的，本发明采用以下技术方案：
本发明公开了一种基于深度学习的图像高密度人群计数方法，包括下述步骤：
S1、利用深度学习框架caffe建立深浅互补卷积神经网络；
S2、对图像按角度旋转、图像的多尺度缩放、图像的镜像以及图像金字塔缩放的操作实现图像数据增强；
S3、将增强后的图像数据进行Gaussian核模糊归一化处理后得到真实的人群密度图，网络输出估计密度图与真实密度图按照损失函数不断迭代训练优化整个网络结构；
S4、将人群图片和标签图片输入给网络训练，不断迭代优化最终得到训练好的网络模型。
作为优选的技术方案，步骤S1中，所述深浅互补卷积神经网络为高层特征和低层特征结合的神经网络，具体包括深层网络和浅层网络两列网络：
第一列深层网络包含13个卷积层，卷积核大小均为3×3，每层卷积后使用线性修正单元ReLU函数进行激活，使网络稀疏，减少参数相互依赖缓解过拟合问题的发生；
第二列浅层网络包含3个卷积层，卷积核大小均为5×5，每层卷积后使用线性修正单元ReLU函数进行激活，激活后进行池化处理；
将第二列浅层网络的输出输入至第一列深层网络最后一个平均值池化层和卷积层处理后进行输出；
将深层网络和浅层网络链接在一起后经过1×1卷积层处理，这样用1×1卷积层代替全连接层，将深层网络和浅层网络融合，使整个网络成为全卷积网络，该全卷积网络可接受各种尺度图片的输入，最后网络输出估计的密度图。
作为优选的技术方案，在第一列深层网络中，把激活步骤放置于卷积层中，每做一次卷积后，均采用池化Pooling处理，第一列深层网络共有4个池化层，采用最大值池化MaxPool和平均值池化AvgPool交替池化方案，最大值池化和平均值池化的窗口大小均为2×2，最后一个池化层窗口大小为3×3，步长均为1。
作为优选的技术方案，所述第二列浅层网络均采用平均值池化AvgPool进行处理，池化的窗口大小均为5×5，步长为1。
作为优选的技术方案，步骤S2具体为：
S21、对输入图像进行梯度为5°的旋转操作，左旋5°以及右旋5°使图像数据扩大至3倍；
S22、对输入图像进行尺度分别为：0.6、0.9、1.4倍的缩放操作，使图像数据扩大至12倍；
S23、对输入图像进行镜像操作，使图像数据扩大至24倍；
S24、为使网络对于输入图像的大小变化更具鲁棒性，采用金字塔型图像缩放，缩放范围为原图的0.6至1.3倍，缩放大小的间隔为0.1，使图像数据扩大至192倍。
作为优选的技术方案，步骤S3中，利用Gaussian核模糊归一化处理的具体步骤为：
标注集图像x和由Gaussian核模糊归一化处理后的密度图Ground Truth，即对应的真实的密度图为：
式中M代表图像x中的人数，x代表输入图像x中每个像素的位置，xi代表第i个人的标注的位置，代表标准差为σi的高斯核，β为一常数，代表第i个人的标注位置和它周边最近的10个人的标注位置的平均距离，即在此记第i个人的标注位置到它最近的10个人的距离为
作为优选的技术方案，步骤S4中，完成标注人群图像到真实密度图转换之后，需要将图片以及对应的真实密度图输入给深浅互补卷积神经网络，该深浅互补卷积神经网络通过输出估计的人群密度图与真实的人群密度图进行比对，不断调整整个网络的参数，使估计人群密度图不断趋近于真实人群密度图，使该深浅互补卷积神经网络调整参数直至收敛，所提供的深浅互补卷积神经网络就是为了学习一种从真实密度图到估计密度图的复杂的非线性的映射F：
其中F(x)是真实的人群密度图，E(x)是网络输出的估计的人群密度图。
作为优选的技术方案，为了能学习到泛化性好鲁棒性强的映射F，需要给网络制定学习准则，即估计密度图和真实密度图之间的损失函数：
式中Θ为整个深浅互补卷积神经网络的参数，K为输入网络的图片的总数量，E(Xi；Θ)为第i幅输入图像的人群密度估计图，Xi为第i幅输入图像的图像矩阵，F(Xi)为第i幅输入图像对应的经Gaussian核处理得到的真实的密度图矩阵，为整个深浅互补卷积神经网络参数设定一个初始值，然后根据所述的损失函数由真实密度图Ground Truth计算输入图片的损失L(Θ)，采用随机梯度下降法不断的训练迭代优化更新整个深浅互补卷积神经网络的参数Θ，直至收敛到一个很小的值。
作为优选的技术方案，还包括下述步骤5，深浅互补卷积神经网络模型训练好后，对该网络模型进行评估，具体方法如下：
从之前增强后的数据集节选部分成测试数据集，输入测试数据集得到输出结果，根据测试数据集的真实结果比对模型输出结果，得到网络的评估结果，对网络的准确性评估采用以下结果：
平均绝对误差和均方误差，对应公式如下：
其中K代表测试数据集中图片的总数量，ti代表数据集中第i幅图像的真实人数，为本发明深浅互补卷积神经网络输出的人数。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明设计一个深浅互补的卷积神经网络，深层网络学习高层特征，浅层网络学习低层特征，第二列浅层网络输入至第一列深层网络实现互补效果，将浅层特征结合推算出高层特征，使网络的泛化能力更强，鲁棒性更好。
2本发明对现有人群图像数据集进行数据增强处理，依次进行：图像按角度旋转、图像多尺度缩放、图像镜像以及图像金字塔缩放等操作；对增强后的人群图像数据，根据标准图像采用Gaussian核模糊归一化处理得到对应的人群密度图Ground Truth，通过这样处理网络可以更加准确更加容易的学习到特征，网络参数更加容易收敛。
附图说明
图1为本发明提供的一种基于深度学习的图像的高密度人群计数方法的流程示意图；
图2为本发明提供的深浅互补卷积神经网络示例图；
图3(a)-图3(d)为本发明使用的人群图以及对应的经过Gaussian核处理的人群密度图Ground Truth的示意图；
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
本发明基于深度学习中的卷积神经网络理论，提出了深浅互补的卷积神经网络模型，完成对单张高密度人群图像的人群密度估计，方法流程如图1所示：
首先利用深度学习框架caffe建立深浅互补卷积神经网络；
接着对已有公共数据集UCF_CC_50，UCSD，WorldExpo和ShanghaiTech中的图像进行数据增强，最终使图像数据扩大至192倍；
将增强后的图像数据进行Gaussian核模糊归一化处理后得到真实的人群密度图，网络输出估计密度图与真实密度图按照损失函数不断迭代训练优化整个网络结构；
将人群图片和标签图片输入给网络训练，不断迭代优化最终得到训练好的网络模型。
搭建深浅互补卷积神经网络如图2所示：
第一列为深层网络，图像先经过连续2个卷积层，卷积核大小为3×3，卷积核个数为64，生成64个特征图；之后经过最大值池化层，窗口为2×2，步长为1；之后再经过连续2个卷积层，卷积核大小为3×3，个数增加至128；再经过平均值池化层，窗口为2×2，步长为1；然后又进入连续的3个卷积层，核大小为3×3，个数为256；再之后经过最大值池化层，窗口为3×3，步长为1；然后经过连续的3个卷积层，利用512个3×3的卷积核得到512个特征图；再经过一个平均值池化层，窗口为2×2，步长为1；最后再经过连续的3个卷积层，核大小为3×3，输出特征图个数为256；
第二列网络为浅层网络，经过三个5×5卷积核的卷积层，每层用24个卷积核得到24张特征图，第二列网络输出再输入至第一列网络的平均值池化层进行处理。最后两列网络输出链接在一块，再次经过1×1的卷积层输出得到估计的人群密度图。这样设计的深浅互补卷积神经网络成为全卷积网络，可以接受各种尺度图片的输入，避免了失真。
由于训练网络模型需要大量的图片数据，现有公共图像数据集数量规模有限，需要对数据进行扩容，扩容的方式有图像按角度旋转、图像的多尺度缩放、图像的镜像以及图像金字塔方式裁剪缩放等操作：
本发明对输入图像进行梯度为5°的旋转操作，左旋5度和右旋5度使图像数据扩大至3倍，在此基础上对输入图像进行尺度分别为：0.6、0.9、1.4倍的缩放操作，使图像数据扩大至12倍，然后接着对输入图像进行镜像操作，使图像数据扩大至24倍，最后为使网络对于输入图像的大小变化更具鲁棒性，采用金字塔型图像缩放，缩放范围为原图的0.6至1.3倍，缩放大小的间隔为0.1，使图像数据扩大至192倍。
完成训练数据扩容之后，由于网络学习到的输出为对应图像的密度估计图，需要给网络提供对应图像的真实密度图，由于人群标注者对图像的标注因人而异，为得到更加可靠的真实的密度图，需要对图像用Gaussian核进行模糊归一化处理得到真实的人群密度图Ground Truth。图3(a)-图3(d)为人群图片以及对应的经过Gaussian核处理的人群密度图Ground Truth的示意图。
完成标注人群图像到真实密度图转换之后，需要将图片以及对应的真实密度图输入给网络，网络通过输出估计的人群密度图与真实的人群密度图进行比对，不断调整网络参数，使估计人群密度图不断趋近于真实人群密度图，网络调整参数直至收敛，本发明所提供的网络就是为了学习一种从真实密度图到估计密度图的复杂的非线性的映射F：
其中F(x)是真实的人群密度图，E(x)是网络输出的估计的人群密度图。
为了能学习到泛化性好鲁棒性强的映射F，需要给网络制定学习准则，即估计密度图和真实密度图之间的损失函数：
式中Θ为整个网络的参数，K为输入网络的图片的总数量，E(Xi；Θ)为第i幅输入图像的人群密度估计图，Xi为第i幅输入图像的图像矩阵，F(Xi)为第i幅输入图像对应的经Gaussian核处理得到的真实的密度图矩阵。为网络参数设定一个初始值，然后根据所述的损失函数由真实密度图Ground Truth计算输入图片的损失L(Θ)，采用随机梯度下降法不断的训练迭代优化更新整个网络的参数Θ，直至收敛到一个很小的值。
网络模型训练好后，需要对网络模型进行评估，本发明从之前增强后的数据集节选部分成测试数据集，输入测试数据集得到输出结果，根据测试数据集的真实结果比对模型输出结果，得到网络的评估结果。本发明对网络的准确性评估采用以下结果：
平均绝对误差(MAE,mean absolute error)和均方误差(MSE,mean squareerror)。
其中K代表测试数据集中图片的总数量，ti代表数据集中第i幅图像的真实人数，为本发明深浅互补卷积神经网络输出的人数。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种基于深度学习的图像高密度人群计数方法，其特征在于，包括下述步骤：
S1、利用深度学习框架caffe建立深浅互补卷积神经网络；
S2、对图像按角度旋转、图像的多尺度缩放、图像的镜像以及图像金字塔缩放的操作实现图像数据增强；
S3、将增强后的图像数据进行Gaussian核模糊归一化处理后得到真实的人群密度图，网络输出估计密度图与真实密度图按照损失函数不断迭代训练优化整个网络结构；
S4、将人群图片和标签图片输入给网络训练，不断迭代优化最终得到训练好的网络模型。
2.根据权利要求1所述基于深度学习的图像高密度人群计数方法，其特征在于，步骤S1中，所述深浅互补卷积神经网络为高层特征和低层特征结合的神经网络，具体包括深层网络和浅层网络两列网络：
第一列深层网络包含13个卷积层，卷积核大小均为3×3，每层卷积后使用线性修正单元ReLU函数进行激活，使网络稀疏，减少参数相互依赖缓解过拟合问题的发生；
第二列浅层网络包含3个卷积层，卷积核大小均为5×5，每层卷积后使用线性修正单元ReLU函数进行激活，激活后进行池化处理；
将第二列浅层网络的输出输入至第一列深层网络最后一个平均值池化层和卷积层处理后进行输出；
将深层网络和浅层网络链接在一起后经过1×1卷积层处理，这样用1×1卷积层代替全连接层，将深层网络和浅层网络融合，使整个网络成为全卷积网络，该全卷积网络可接受各种尺度图片的输入，最后网络输出估计的密度图。
3.根据权利要求2所述基于深度学习的图像高密度人群计数方法，其特征在于，在第一列深层网络中，把激活步骤放置于卷积层中，每做一次卷积后，均采用池化Pooling处理，第一列深层网络共有4个池化层，采用最大值池化MaxPool和平均值池化AvgPool交替池化方案，最大值池化和平均值池化的窗口大小均为2×2，最后一个池化层窗口大小为3×3，步长均为1。
4.根据权利要求2所述基于深度学习的图像高密度人群计数方法，其特征在于，所述第二列浅层网络均采用平均值池化AvgPool进行处理，池化的窗口大小均为5×5，步长为1。
5.根据权利要求1所述基于深度学习的图像高密度人群计数方法，其特征在于，步骤S2具体为：
S21、对输入图像进行梯度为5°的旋转操作，左旋5°以及右旋5°使图像数据扩大至3倍；
S22、对输入图像进行尺度分别为：0.6、0.9、1.4倍的缩放操作，使图像数据扩大至12倍；
S23、对输入图像进行镜像操作，使图像数据扩大至24倍；
S24、为使网络对于输入图像的大小变化更具鲁棒性，采用金字塔型图像缩放，缩放范围为原图的0.6至1.3倍，缩放大小的间隔为0.1，使图像数据扩大至192倍。
6.根据权利要求1所述基于深度学习的图像高密度人群计数方法，其特征在于，步骤S3中，利用Gaussian核模糊归一化处理的具体步骤为：
标注集图像x和由Gaussian核模糊归一化处理后的密度图Ground Truth，即对应的真实的密度图为：
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>F</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <mi>&amp;delta;</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>*</mo> <msub> <mi>G</mi> <msub> <mi>&amp;sigma;</mi> <mi>i</mi> </msub> </msub> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>w</mi> <mi>i</mi> <mi>t</mi> <mi>h</mi> </mrow> </mtd> <mtd> <mrow> <msub> <mi>&amp;sigma;</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>&amp;beta;</mi> <mover> <msub> <mi>d</mi> <mi>i</mi> </msub> <mo>&amp;OverBar;</mo> </mover> <mo>,</mo> </mrow> </mtd> </mtr> </mtable> </mfenced>
式中M代表图像x中的人数，x代表输入图像x中每个像素的位置，xi代表第i个人的标注的位置，代表标准差为σi的高斯核，β为一常数，代表第i个人的标注位置和它周边最近的10个人的标注位置的平均距离，即在此记第i个人的标注位置到它最近的10个人的距离为
7.根据权利要求1所述基于深度学习的图像高密度人群计数方法，其特征在于，步骤S4中，完成标注人群图像到真实密度图转换之后，需要将图片以及对应的真实密度图输入给深浅互补卷积神经网络，该深浅互补卷积神经网络通过输出估计的人群密度图与真实的人群密度图进行比对，不断调整整个网络的参数，使估计人群密度图不断趋近于真实人群密度图，使该深浅互补卷积神经网络调整参数直至收敛，所提供的深浅互补卷积神经网络就是为了学习一种从真实密度图到估计密度图的复杂的非线性的映射F：
<mrow> <mi>F</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mover> <mo>&amp;RightArrow;</mo> <mi>F</mi> </mover> <mi>E</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
其中F(x)是真实的人群密度图，E(x)是网络输出的估计的人群密度图。
8.根据权利要求7所述基于深度学习的图像高密度人群计数方法，其特征在于，为了能学习到泛化性好鲁棒性强的映射F，需要给网络制定学习准则，即估计密度图和真实密度图之间的损失函数：
<mrow> <mi>L</mi> <mrow> <mo>(</mo> <mi>&amp;Theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>2</mn> <mi>K</mi> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <mo>|</mo> <mo>|</mo> <mi>E</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>;</mo> <mi>&amp;Theta;</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>F</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> <msubsup> <mo>|</mo> <mn>2</mn> <mn>2</mn> </msubsup> <mo>,</mo> </mrow>
式中Θ为整个深浅互补卷积神经网络的参数，K为输入网络的图片的总数量，E(Xi；Θ)为第i幅输入图像的人群密度估计图，Xi为第i幅输入图像的图像矩阵，F(Xi)为第i幅输入图像对应的经Gaussian核处理得到的真实的密度图矩阵，为整个深浅互补卷积神经网络参数设定一个初始值，然后根据所述的损失函数由真实密度图Ground Truth计算输入图片的损失L(Θ)，采用随机梯度下降法不断的训练迭代优化更新整个深浅互补卷积神经网络的参数Θ，直至收敛到一个很小的值。
9.根据权利要求7所述基于深度学习的图像高密度人群计数方法，其特征在于，还包括下述步骤5，深浅互补卷积神经网络模型训练好后，对该网络模型进行评估，具体方法如下：
从之前增强后的数据集节选部分成测试数据集，输入测试数据集得到输出结果，根据测试数据集的真实结果比对模型输出结果，得到网络的评估结果，对网络的准确性评估采用以下结果：
平均绝对误差和均方误差，对应公式如下：
<mrow> <mi>M</mi> <mi>A</mi> <mi>E</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mi>K</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <mo>|</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>&amp;OverBar;</mo> </mover> <mo>|</mo> <mo>,</mo> <mi>M</mi> <mi>S</mi> <mi>E</mi> <mo>=</mo> <msqrt> <mrow> <mfrac> <mn>1</mn> <mi>K</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>,</mo> </mrow>
其中K代表测试数据集中图片的总数量，ti代表数据集中第i幅图像的真实人数，为本发明深浅互补卷积神经网络输出的人数。
CN201710457548.2A 2017-06-16 2017-06-16 一种基于深度学习的图像高密度人群计数方法 Pending CN107301387A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710457548.2A CN107301387A (zh) 2017-06-16 2017-06-16 一种基于深度学习的图像高密度人群计数方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710457548.2A CN107301387A (zh) 2017-06-16 2017-06-16 一种基于深度学习的图像高密度人群计数方法

Publications (1)

Publication Number Publication Date
CN107301387A true CN107301387A (zh) 2017-10-27

Family

ID=60135442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710457548.2A Pending CN107301387A (zh) 2017-06-16 2017-06-16 一种基于深度学习的图像高密度人群计数方法

Country Status (1)

Country Link
CN (1) CN107301387A (zh)

Cited By (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107967451A (zh) * 2017-11-23 2018-04-27 常州大学 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法
CN108154110A (zh) * 2017-12-22 2018-06-12 任俊芬 一种基于深度学习人头检测的密集人流量统计方法
CN108419018A (zh) * 2018-05-02 2018-08-17 广州飞宇智能科技有限公司 一种调焦摄像头和方法
CN108491766A (zh) * 2018-03-05 2018-09-04 中山大学 一种端到端的基于深度决策森林的人群计数方法
CN108550125A (zh) * 2018-04-17 2018-09-18 南京大学 一种基于深度学习的光学畸变修正方法
CN108876774A (zh) * 2018-06-07 2018-11-23 浙江大学 一种基于卷积神经网络的人群计数方法
CN108921830A (zh) * 2018-06-21 2018-11-30 北京信息科技大学 一种基于图像检索的人数统计方法
CN108921822A (zh) * 2018-06-04 2018-11-30 中国科学技术大学 基于卷积神经网络的图像目标计数方法
CN108985331A (zh) * 2018-06-14 2018-12-11 浙江工业大学 一种基于对抗生成网络的目标计数方法
CN109101888A (zh) * 2018-07-11 2018-12-28 南京农业大学 一种游客人流量监控预警方法
CN109102515A (zh) * 2018-07-31 2018-12-28 浙江杭钢健康产业投资管理有限公司 一种基于多列深浅卷积神经网络的细胞计数方法
CN109117791A (zh) * 2018-08-14 2019-01-01 中国电子科技集团公司第三十八研究所 一种基于膨胀卷积的人群密度图生成方法
CN109241941A (zh) * 2018-09-28 2019-01-18 天津大学 一种基于深度学习分析的养殖场监控家禽数量的方法
CN109271960A (zh) * 2018-10-08 2019-01-25 燕山大学 一种基于卷积神经网络的人数统计方法
CN109523538A (zh) * 2018-11-21 2019-03-26 上海七牛信息技术有限公司 一种基于生成对抗神经网络的人群计数方法以及系统
CN109543510A (zh) * 2018-10-08 2019-03-29 百度在线网络技术（北京）有限公司 人流密度估计方法、装置和电子设备
CN109543695A (zh) * 2018-10-26 2019-03-29 复旦大学 基于多尺度深度学习的泛密度人群计数方法
CN109558862A (zh) * 2018-06-15 2019-04-02 广州深域信息科技有限公司 基于空间感知的注意力细化框架的人群计数方法及系统
CN109614941A (zh) * 2018-12-14 2019-04-12 中山大学 一种基于卷积神经网络模型的嵌入式人群密度估计方法
CN109741301A (zh) * 2018-12-19 2019-05-10 北京理工大学 一种更快的基于深度学习的密集目标计数方法
CN109766790A (zh) * 2018-12-24 2019-05-17 重庆邮电大学 一种基于自适应特征通道的行人检测方法
CN109934072A (zh) * 2017-12-19 2019-06-25 浙江宇视科技有限公司 人员统计方法及装置
CN109948553A (zh) * 2019-03-20 2019-06-28 北京航空航天大学 一种多尺度密集人群计数方法
CN110033440A (zh) * 2019-03-21 2019-07-19 中南大学 基于卷积神经网络与特征融合的生物细胞计数方法
CN110321869A (zh) * 2019-07-10 2019-10-11 应急管理部天津消防研究所 基于多尺度融合网络的人员检测和提取方法
CN110427889A (zh) * 2019-08-05 2019-11-08 北京深醒科技有限公司 一种基于图片的人群计数方法
CN110555125A (zh) * 2018-05-14 2019-12-10 桂林远望智能通信科技有限公司 一种基于局部特征的车辆检索方法
CN110705698A (zh) * 2019-10-16 2020-01-17 南京林业大学 尺度自适应感知的目标计数深度网络设计方法
CN110705344A (zh) * 2019-08-21 2020-01-17 中山大学 一种基于深度学习的人群计数模型及其实现方法
CN110751226A (zh) * 2019-10-28 2020-02-04 苏州大学 人群计数模型的训练方法、装置和存储介质
CN110852189A (zh) * 2019-10-22 2020-02-28 天津大学 一种基于深度学习的低复杂度的密集人群分析方法
CN110866453A (zh) * 2019-10-22 2020-03-06 同济大学 基于卷积神经网络的实时人群稳定状态识别方法及装置
CN110956122A (zh) * 2019-11-27 2020-04-03 深圳市商汤科技有限公司 图像处理方法及装置、处理器、电子设备、存储介质
CN111008688A (zh) * 2018-10-04 2020-04-14 国际商业机器公司 网络训练期间使用环路内数据增加的神经网络
CN111027389A (zh) * 2019-11-12 2020-04-17 通号通信信息集团有限公司 人群计数系统中基于可变形高斯核的训练数据生成方法
CN111260548A (zh) * 2018-11-30 2020-06-09 浙江宇视科技有限公司 基于深度学习的贴图方法及装置
CN111488834A (zh) * 2020-04-13 2020-08-04 河南理工大学 一种基于多层级特征融合的人群计数方法
CN111626237A (zh) * 2020-05-29 2020-09-04 中国民航大学 基于增强型多尺度感知网络的人群计数方法及系统
CN111639668A (zh) * 2020-04-17 2020-09-08 北京品恩科技股份有限公司 一种基于深度学习的人群密度检测方法
CN111681236A (zh) * 2020-06-12 2020-09-18 成都数之联科技有限公司 一种带注意力机制的目标密度估计方法
CN111783589A (zh) * 2020-06-23 2020-10-16 西北工业大学 基于场景分类和多尺度特征融合的复杂场景人群计数方法
CN111797972A (zh) * 2020-05-27 2020-10-20 北京迈格威科技有限公司 应用卷积神经网络处理数据的方法、装置和电子系统
CN111815665A (zh) * 2020-07-10 2020-10-23 电子科技大学 基于深度信息与尺度感知信息的单张图像人群计数方法
CN111832413A (zh) * 2020-06-09 2020-10-27 天津大学 基于时空多尺度网络的人流密度图估计、定位和跟踪方法
CN111860361A (zh) * 2020-07-24 2020-10-30 吉林大学 一种绿色通道货物扫描图像夹带自动识别器及识别方法
CN111951260A (zh) * 2020-08-21 2020-11-17 苏州大学 基于部分特征融合卷积神经网络实时目标计数系统及方法
CN112001278A (zh) * 2020-08-11 2020-11-27 中山大学 一种基于结构化知识蒸馏的人群计数模型及其方法
CN112101122A (zh) * 2020-08-20 2020-12-18 中国科学院大学 一种基于排序网络的弱监督物体数目估计方法
CN112215129A (zh) * 2020-10-10 2021-01-12 江南大学 一种基于排序损失和双分支网络的人群计数方法及系统
CN112345956A (zh) * 2020-11-24 2021-02-09 广州橙行智动汽车科技有限公司 一种电池组荷电状态检测方法和装置
WO2021093275A1 (zh) * 2019-11-12 2021-05-20 通号通信信息集团有限公司 一种人群计数系统中自适应计算高斯核大小的方法
CN112861697A (zh) * 2021-02-03 2021-05-28 同济大学 基于图片自对称性人群计数网络的人群计数方法及装置
CN112906517A (zh) * 2021-02-04 2021-06-04 广东省科学院智能制造研究所 一种自监督的幂律分布人群计数方法、装置和电子设备
CN112989952A (zh) * 2021-02-20 2021-06-18 复旦大学 一种基于遮罩引导的人群密度估计方法及装置
CN113553921A (zh) * 2021-07-02 2021-10-26 兰州交通大学 一种基于卷积神经网络的地铁车厢拥挤度识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077613A (zh) * 2014-07-16 2014-10-01 电子科技大学 一种基于级联多级卷积神经网络的人群密度估计方法
US20150117760A1 (en) * 2013-10-30 2015-04-30 Nec Laboratories America, Inc. Regionlets with Shift Invariant Neural Patterns for Object Detection
CN105930855A (zh) * 2016-05-19 2016-09-07 华南理工大学 一种基于深度卷积神经网的车辆检测方法
CN106203331A (zh) * 2016-07-08 2016-12-07 苏州平江历史街区保护整治有限责任公司 一种基于卷积神经网络的人群密度估算方法
CN106326937A (zh) * 2016-08-31 2017-01-11 郑州金惠计算机系统工程有限公司 基于卷积神经网络的人群密度分布估计方法
CN106650913A (zh) * 2016-12-31 2017-05-10 中国科学技术大学 一种基于深度卷积神经网络的车流密度估计方法
CN106778584A (zh) * 2016-12-08 2017-05-31 南京邮电大学 一种基于深层特征与浅层特征融合的人脸年龄估计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150117760A1 (en) * 2013-10-30 2015-04-30 Nec Laboratories America, Inc. Regionlets with Shift Invariant Neural Patterns for Object Detection
CN104077613A (zh) * 2014-07-16 2014-10-01 电子科技大学 一种基于级联多级卷积神经网络的人群密度估计方法
CN105930855A (zh) * 2016-05-19 2016-09-07 华南理工大学 一种基于深度卷积神经网的车辆检测方法
CN106203331A (zh) * 2016-07-08 2016-12-07 苏州平江历史街区保护整治有限责任公司 一种基于卷积神经网络的人群密度估算方法
CN106326937A (zh) * 2016-08-31 2017-01-11 郑州金惠计算机系统工程有限公司 基于卷积神经网络的人群密度分布估计方法
CN106778584A (zh) * 2016-12-08 2017-05-31 南京邮电大学 一种基于深层特征与浅层特征融合的人脸年龄估计方法
CN106650913A (zh) * 2016-12-31 2017-05-10 中国科学技术大学 一种基于深度卷积神经网络的车流密度估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
国家环境保护总局监督管理司: "《中国环境影响评价 培训教材》", 31 January 2000 *

Cited By (81)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107967451B (zh) * 2017-11-23 2021-04-27 常州大学 一种对静止图像进行人群计数的方法
CN107967451A (zh) * 2017-11-23 2018-04-27 常州大学 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法
CN109934072B (zh) * 2017-12-19 2020-11-17 浙江宇视科技有限公司 人员统计方法及装置
CN109934072A (zh) * 2017-12-19 2019-06-25 浙江宇视科技有限公司 人员统计方法及装置
CN108154110A (zh) * 2017-12-22 2018-06-12 任俊芬 一种基于深度学习人头检测的密集人流量统计方法
CN108154110B (zh) * 2017-12-22 2022-01-11 任俊芬 一种基于深度学习人头检测的密集人流量统计方法
CN108491766A (zh) * 2018-03-05 2018-09-04 中山大学 一种端到端的基于深度决策森林的人群计数方法
CN108491766B (zh) * 2018-03-05 2021-10-26 中山大学 一种端到端的基于深度决策森林的人群计数方法
CN108550125A (zh) * 2018-04-17 2018-09-18 南京大学 一种基于深度学习的光学畸变修正方法
CN108550125B (zh) * 2018-04-17 2021-07-30 南京大学 一种基于深度学习的光学畸变修正方法
CN108419018A (zh) * 2018-05-02 2018-08-17 广州飞宇智能科技有限公司 一种调焦摄像头和方法
CN110555125A (zh) * 2018-05-14 2019-12-10 桂林远望智能通信科技有限公司 一种基于局部特征的车辆检索方法
CN108921822A (zh) * 2018-06-04 2018-11-30 中国科学技术大学 基于卷积神经网络的图像目标计数方法
CN108876774A (zh) * 2018-06-07 2018-11-23 浙江大学 一种基于卷积神经网络的人群计数方法
CN108985331A (zh) * 2018-06-14 2018-12-11 浙江工业大学 一种基于对抗生成网络的目标计数方法
CN109558862A (zh) * 2018-06-15 2019-04-02 广州深域信息科技有限公司 基于空间感知的注意力细化框架的人群计数方法及系统
CN109558862B (zh) * 2018-06-15 2023-04-07 拓元(广州)智慧科技有限公司 基于空间感知的注意力细化框架的人群计数方法及系统
CN108921830A (zh) * 2018-06-21 2018-11-30 北京信息科技大学 一种基于图像检索的人数统计方法
CN109101888B (zh) * 2018-07-11 2022-06-14 南京农业大学 一种游客人流量监控预警方法
CN109101888A (zh) * 2018-07-11 2018-12-28 南京农业大学 一种游客人流量监控预警方法
CN109102515A (zh) * 2018-07-31 2018-12-28 浙江杭钢健康产业投资管理有限公司 一种基于多列深浅卷积神经网络的细胞计数方法
CN109117791A (zh) * 2018-08-14 2019-01-01 中国电子科技集团公司第三十八研究所 一种基于膨胀卷积的人群密度图生成方法
CN109241941A (zh) * 2018-09-28 2019-01-18 天津大学 一种基于深度学习分析的养殖场监控家禽数量的方法
CN111008688B (zh) * 2018-10-04 2023-10-10 国际商业机器公司 网络训练期间使用环路内数据增加的神经网络
CN111008688A (zh) * 2018-10-04 2020-04-14 国际商业机器公司 网络训练期间使用环路内数据增加的神经网络
US11934944B2 (en) 2018-10-04 2024-03-19 International Business Machines Corporation Neural networks using intra-loop data augmentation during network training
CN109543510A (zh) * 2018-10-08 2019-03-29 百度在线网络技术（北京）有限公司 人流密度估计方法、装置和电子设备
CN109271960A (zh) * 2018-10-08 2019-01-25 燕山大学 一种基于卷积神经网络的人数统计方法
CN109271960B (zh) * 2018-10-08 2020-09-04 燕山大学 一种基于卷积神经网络的人数统计方法
CN109543695A (zh) * 2018-10-26 2019-03-29 复旦大学 基于多尺度深度学习的泛密度人群计数方法
CN109543695B (zh) * 2018-10-26 2023-01-06 复旦大学 基于多尺度深度学习的泛密度人群计数方法
CN109523538A (zh) * 2018-11-21 2019-03-26 上海七牛信息技术有限公司 一种基于生成对抗神经网络的人群计数方法以及系统
CN111260548A (zh) * 2018-11-30 2020-06-09 浙江宇视科技有限公司 基于深度学习的贴图方法及装置
CN109614941B (zh) * 2018-12-14 2023-02-03 中山大学 一种基于卷积神经网络模型的嵌入式人群密度估计方法
CN109614941A (zh) * 2018-12-14 2019-04-12 中山大学 一种基于卷积神经网络模型的嵌入式人群密度估计方法
CN109741301A (zh) * 2018-12-19 2019-05-10 北京理工大学 一种更快的基于深度学习的密集目标计数方法
CN109766790A (zh) * 2018-12-24 2019-05-17 重庆邮电大学 一种基于自适应特征通道的行人检测方法
CN109766790B (zh) * 2018-12-24 2022-08-23 重庆邮电大学 一种基于自适应特征通道的行人检测方法
CN109948553A (zh) * 2019-03-20 2019-06-28 北京航空航天大学 一种多尺度密集人群计数方法
CN110033440A (zh) * 2019-03-21 2019-07-19 中南大学 基于卷积神经网络与特征融合的生物细胞计数方法
CN110321869A (zh) * 2019-07-10 2019-10-11 应急管理部天津消防研究所 基于多尺度融合网络的人员检测和提取方法
CN110427889A (zh) * 2019-08-05 2019-11-08 北京深醒科技有限公司 一种基于图片的人群计数方法
CN110705344B (zh) * 2019-08-21 2023-03-28 中山大学 一种基于深度学习的人群计数模型及其实现方法
CN110705344A (zh) * 2019-08-21 2020-01-17 中山大学 一种基于深度学习的人群计数模型及其实现方法
CN110705698B (zh) * 2019-10-16 2023-07-25 南京林业大学 尺度自适应感知的目标计数深度网络设计方法
CN110705698A (zh) * 2019-10-16 2020-01-17 南京林业大学 尺度自适应感知的目标计数深度网络设计方法
CN110866453B (zh) * 2019-10-22 2023-05-02 同济大学 基于卷积神经网络的实时人群稳定状态识别方法及装置
CN110852189A (zh) * 2019-10-22 2020-02-28 天津大学 一种基于深度学习的低复杂度的密集人群分析方法
CN110866453A (zh) * 2019-10-22 2020-03-06 同济大学 基于卷积神经网络的实时人群稳定状态识别方法及装置
CN110751226A (zh) * 2019-10-28 2020-02-04 苏州大学 人群计数模型的训练方法、装置和存储介质
CN111027389B (zh) * 2019-11-12 2023-06-30 通号通信信息集团有限公司 人群计数系统中基于可变形高斯核的训练数据生成方法
WO2021093276A1 (zh) * 2019-11-12 2021-05-20 通号通信信息集团有限公司 人群计数系统中基于可变形高斯核的训练数据生成方法
CN111027389A (zh) * 2019-11-12 2020-04-17 通号通信信息集团有限公司 人群计数系统中基于可变形高斯核的训练数据生成方法
WO2021093275A1 (zh) * 2019-11-12 2021-05-20 通号通信信息集团有限公司 一种人群计数系统中自适应计算高斯核大小的方法
CN110956122A (zh) * 2019-11-27 2020-04-03 深圳市商汤科技有限公司 图像处理方法及装置、处理器、电子设备、存储介质
CN110956122B (zh) * 2019-11-27 2022-08-02 深圳市商汤科技有限公司 图像处理方法及装置、处理器、电子设备、存储介质
CN111488834B (zh) * 2020-04-13 2023-07-04 河南理工大学 一种基于多层级特征融合的人群计数方法
CN111488834A (zh) * 2020-04-13 2020-08-04 河南理工大学 一种基于多层级特征融合的人群计数方法
CN111639668A (zh) * 2020-04-17 2020-09-08 北京品恩科技股份有限公司 一种基于深度学习的人群密度检测方法
CN111797972A (zh) * 2020-05-27 2020-10-20 北京迈格威科技有限公司 应用卷积神经网络处理数据的方法、装置和电子系统
CN111626237A (zh) * 2020-05-29 2020-09-04 中国民航大学 基于增强型多尺度感知网络的人群计数方法及系统
CN111832413B (zh) * 2020-06-09 2021-04-02 天津大学 基于时空多尺度网络的人流密度图估计、定位和跟踪方法
CN111832413A (zh) * 2020-06-09 2020-10-27 天津大学 基于时空多尺度网络的人流密度图估计、定位和跟踪方法
CN111681236A (zh) * 2020-06-12 2020-09-18 成都数之联科技有限公司 一种带注意力机制的目标密度估计方法
CN111783589B (zh) * 2020-06-23 2022-03-15 西北工业大学 基于场景分类和多尺度特征融合的复杂场景人群计数方法
CN111783589A (zh) * 2020-06-23 2020-10-16 西北工业大学 基于场景分类和多尺度特征融合的复杂场景人群计数方法
CN111815665A (zh) * 2020-07-10 2020-10-23 电子科技大学 基于深度信息与尺度感知信息的单张图像人群计数方法
CN111815665B (zh) * 2020-07-10 2023-02-17 电子科技大学 基于深度信息与尺度感知信息的单张图像人群计数方法
CN111860361A (zh) * 2020-07-24 2020-10-30 吉林大学 一种绿色通道货物扫描图像夹带自动识别器及识别方法
CN112001278A (zh) * 2020-08-11 2020-11-27 中山大学 一种基于结构化知识蒸馏的人群计数模型及其方法
CN112101122A (zh) * 2020-08-20 2020-12-18 中国科学院大学 一种基于排序网络的弱监督物体数目估计方法
CN112101122B (zh) * 2020-08-20 2024-02-09 中国科学院大学 一种基于排序网络的弱监督物体数目估计方法
CN111951260A (zh) * 2020-08-21 2020-11-17 苏州大学 基于部分特征融合卷积神经网络实时目标计数系统及方法
CN112215129A (zh) * 2020-10-10 2021-01-12 江南大学 一种基于排序损失和双分支网络的人群计数方法及系统
CN112345956A (zh) * 2020-11-24 2021-02-09 广州橙行智动汽车科技有限公司 一种电池组荷电状态检测方法和装置
CN112861697A (zh) * 2021-02-03 2021-05-28 同济大学 基于图片自对称性人群计数网络的人群计数方法及装置
CN112906517A (zh) * 2021-02-04 2021-06-04 广东省科学院智能制造研究所 一种自监督的幂律分布人群计数方法、装置和电子设备
CN112906517B (zh) * 2021-02-04 2023-09-19 广东省科学院智能制造研究所 一种自监督的幂律分布人群计数方法、装置和电子设备
CN112989952A (zh) * 2021-02-20 2021-06-18 复旦大学 一种基于遮罩引导的人群密度估计方法及装置
CN113553921A (zh) * 2021-07-02 2021-10-26 兰州交通大学 一种基于卷积神经网络的地铁车厢拥挤度识别方法
CN113553921B (zh) * 2021-07-02 2022-06-10 兰州交通大学 一种基于卷积神经网络的地铁车厢拥挤度识别方法

Similar Documents

Publication Publication Date Title
CN107301387A (zh) 一种基于深度学习的图像高密度人群计数方法
CN107862668A (zh) 一种基于gnn的文物图像复原方法
CN111161535B (zh) 基于注意力机制的图神经网络交通流量预测方法及系统
CN105740909B (zh) 一种基于空间变换的自然场景下文本识别方法
CN108921822A (zh) 基于卷积神经网络的图像目标计数方法
CN110427875A (zh) 基于深度迁移学习和极限学习机的红外图像目标检测方法
CN107492121A (zh) 一种单目深度视频的二维人体骨骼点定位方法
CN108021947B (zh) 一种基于视觉的分层极限学习机目标识别方法
CN107239802A (zh) 一种图像分类方法及装置
CN109697435A (zh) 人流量监测方法、装置、存储介质及设备
CN108734661B (zh) 基于图像纹理信息构建损失函数的高分辨率图像预测方法
CN109829541A (zh) 基于学习自动机的深度神经网络增量式训练方法及系统
CN106023154B (zh) 基于双通道卷积神经网络的多时相sar图像变化检测方法
CN108363961A (zh) 基于卷积神经网络间迁移学习的桥梁支座病害识别方法
CN106991666A (zh) 一种适用于多尺寸图片信息的病害图像识别方法
CN105426908B (zh) 一种基于卷积神经网络的变电站属性分类方法
CN106127815A (zh) 一种融合卷积神经网络的跟踪方法及系统
CN105678248A (zh) 基于深度学习的人脸关键点对齐算法
CN109785344A (zh) 基于特征重标定的双通路残差网络的遥感图像分割方法
CN107516103A (zh) 一种影像分类方法和系统
CN108122003A (zh) 一种基于深度神经网络的弱小目标识别方法
CN109783887A (zh) 一种面向三维加工特征的智能识别与检索方法
CN108776835A (zh) 一种深度神经网络训练方法
CN115951014A (zh) 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法
CN108564166A (zh) 基于带对称跨层连接的卷积神经网络半监督特征学习方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171027

RJ01 Rejection of invention patent application after publication