CN108875587A - 目标分布检测方法及设备 - Google Patents

目标分布检测方法及设备 Download PDF

Info

Publication number
CN108875587A
CN108875587A CN201810506765.0A CN201810506765A CN108875587A CN 108875587 A CN108875587 A CN 108875587A CN 201810506765 A CN201810506765 A CN 201810506765A CN 108875587 A CN108875587 A CN 108875587A
Authority
CN
China
Prior art keywords
image
target distribution
convolutional neural
neural networks
value
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
CN201810506765.0A
Other languages
English (en)
Inventor
杨旭
董远
白洪亮
熊风烨
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.)
Beijing Faceall Co
Original Assignee
Beijing Faceall Co
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 Beijing Faceall Co filed Critical Beijing Faceall Co
Priority to CN201810506765.0A priority Critical patent/CN108875587A/zh
Publication of CN108875587A publication Critical patent/CN108875587A/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Abstract

本申请提供一种目标分布检测方法及设备，通过对训练图像基于卷积神经网络进行处理，得到训练图像中的目标分布预测值，目标分布预测值包括目标分布密度预测值和目标数量类别预测值中的至少一种；获取训练图像中的目标分布真实值与目标分布预测值的第一差异值；根据第一差异值确定卷积神经网络的参数，得到卷积神经网络模型。这样，可以利用卷积神经网络模型进行实际的目标分布检测。利用训练图像来训练卷积神经网络，卷积神经网络对特征的表达能力和鲁棒性能更好，可以提升卷积神经网络模型预测目标分布的准确性。

Description

目标分布检测方法及设备
技术领域
本申请涉及互联网信息处理技术以及计算机技术领域，尤其涉及一种目标分布检测方法及设备。
背景技术
在一些场景中，对物体、人群等目标分布的监控，是很有必要的。例如，随着世界人口的指数增长和城市化带来的人群聚集活动如体育赛事、政治集会、公众演讲的增加，人群数量和密集度最近得到了越来越多的关注。在这一背景下，为了管理、安全的需要，对人群图像进行分析就是非常有必要的。
现有技术对目标的分布监控，通常是对监控视频中的帧图像进行处理，根据帧图像中检测到的目标的特征来预测目标的数量或分布密度等参数。但是，现有技术的目标分布检测方案的准确率不高。
发明内容
本申请实施例要解决的技术问题是，现有目标检测方法的准确率不高。
本申请实施例采用下述技术方案：
本申请实施例提供一种目标分布检测方法，包括：
对训练图像基于卷积神经网络进行处理，得到所述训练图像中的目标分布预测值，所述目标分布预测值包括目标分布密度预测值和目标数量类别预测值中的至少一种；
获取所述训练图像中的目标分布真实值与所述目标分布预测值的第一差异值；
根据所述第一差异值确定所述卷积神经网络的参数，得到卷积神经网络模型。
本申请实施例还提供一种目标分布检测方法，包括：
基于卷积神经网络模型对检测图像进行处理，得到所述检测图像中的目标分布预测值，所述目标分布预测值包括目标分布密度预测值和目标数量类别预测值中的至少一种；
其中，所述卷积神经网络模型是对训练图像基于卷积神经网络进行训练，确定所述卷积神经网络的参数得到的。
本申请实施例还提供一种目标分布检测设备，包括：
处理模块，对训练图像基于卷积神经网络进行处理，得到所述训练图像中的目标分布预测值，所述目标分布预测值包括目标分布密度预测值和目标数量类别预测值中的至少一种；
获取模块，获取所述训练图像中的目标分布真实值与所述目标分布预测值的第一差异值；
确定模块，根据所述第一差异值确定所述卷积神经网络的参数，得到卷积神经网络模型。
本申请实施例还提供一种目标分布检测设备，包括：
处理模块，基于卷积神经网络模型对检测图像进行处理，得到所述检测图像中的目标分布预测值，所述目标分布预测值包括目标分布密度预测值和目标数量类别预测值中的至少一种；
其中，所述卷积神经网络模型是对训练图像基于卷积神经网络进行训练，确定所述卷积神经网络的参数得到的。
本申请实施例还提供一种电子设备，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行上述任一所述的目标分布检测方法。
本申请实施例还提供一种计算机可读存储介质，包括与电子设备结合使用的程序，程序可被处理器执行以完成上述任一所述的目标分布检测方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
对训练图像基于卷积神经网络进行处理，得到训练图像中的目标分布预测值，目标分布预测值包括目标分布密度预测值和目标数量类别预测值中的至少一种；获取训练图像中的目标分布真实值与目标分布预测值的第一差异值；根据第一差异值确定卷积神经网络的参数，得到卷积神经网络模型。这样，可以利用卷积神经网络模型进行实际的目标分布检测。利用训练图像来训练卷积神经网络，卷积神经网络对特征的表达能力和鲁棒性能更好，可以提升卷积神经网络模型预测目标分布的准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提出的一种目标分布检测方法的流程示意图；
图2为图1所示目标分布检测方法中的卷积神经网络的结构示意图；
图3为本申请实施例提出的一种目标分布检测方法的流程示意图；
图4为本申请实施例提出的一种目标检测设备的结构示意图；
图5为本申请实施例提出的一种目标检测设备的结构示意图。
具体实施方式
对现有目标分布检方案进行研究发现，现有目标分布检测方法如下：
a.基于统计特征的人群密度分析方法对输入视频作人群密度分析，实时获取单个监控点的人群密度值，之后通过多段线性拟合方法实现人群密度和人数的互相转化。其缺点在于，这里对特征的提取方法较为传统，准确度不高。
b.对视频图像样本中的区域确定二分类器的组合形式，分析挑选置信训练样本并分别对各二分类器进行训练，借助信道传输模型得到最大化后验概率的密度等级。其缺点在于，系统构成复杂，方法复杂，在一些实际人群监控应用过程中，人群密度往往较大，人体之间的遮挡比较严重，获取的图像中人体大小也不一致、图像有畸变现象发生，造成结果准确度不高。
c.用Harris算法获取检测区域中的角点，对每个角点进行密度扩散，获取检测区域内相应于该角点的每个像素点的密度扩散值；将每个像素点的对应于不同角点的密度扩散值进行累加，以获得该像素点的密度值；根据像素点的密度值，画出检测区域的人群密度图，并将该人群密度图输出。其缺点在于，只对高密度人群密度比较适用，而对低密度人群密度的准确度不高。
d.基于视频分析的人群密度估计方法与人流量统计方法,先离线训练人工统计人群密度数据并提取特征；之后在线估计提取特征并利用训练后的模型参数进行回归预测。其缺点在于，掺入认为因素，图像处理步骤较多，流程冗长，造成准确度下降。
e.基于鱼眼相机的判断人群密度和人数。其缺点在于，需要统计的指标过多，有设备要求。
f.基于视频图像帧进行人群密度检测，其缺点在于，需要计算一段视频的运动历史图像，且只是计算人群密度等级，不够精确。
为此，本申请实施例提供一种目标分布检测方法及设备。
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本申请实施例提供的一种目标分布检测方法的流程示意图。所述方法可以如下所示。本申请实施例的目标分布检测方法为对卷积神经网络的训练阶段。本申请实施例的执行主体可以为目标分布检测系统及运行该目标分布检测系统的目标分布密度检测设备。
步骤101：对训练图像基于卷积神经网络进行处理，得到所述训练图像中的目标分布预测值，所述目标分布预测值包括目标分布密度预测值和目标数量类别预测值中的至少一种。
在本申请实施例中，目标分布预测值用来描述训练图像中的目标分布状况，具体可以是目标分布密度预测值和目标数量类别预测值中的至少一种。其中，对于目标分布密度预测值的形式可以为目标分布密度图，或其他形式，在此不作具体限定。
对训练图像基于卷积神经网络进行处理，得到所述训练图像中的目标分布预测值，可以包括：将训练图像直接输入到卷积神经网络中，得到所述训练图像中的目标分布预测值。
在本申请实施例中，对训练图像基于卷积神经网络进行处理，得到所述训练图像中的目标分布预测值，包括：
对所述训练图像进行至少一次截图，得到至少一张截图图像；
将所述至少一张训练图像的截图图像输入所述卷积神经网络，得到所述目标分布预测值。例如，将截图图像输入卷积神经网络，得到目标分布密度预测值。
具体地，对于每一张输入的训练图像Xi(i＝1,2,,…,Ntrain)，在任意位置截取原图大小或其他大小的图像作为卷积神经网络的输入。进一步地，对所述训练图像进行至少一次截图，得到至少一张截图图像，可以包括：
每对所述训练图像进行预设次数截图之后，对所述训练图像添加数据噪声；
对添加数据噪声的所述训练图像进行所述预设次数截图。
在训练图像中添加噪声，可以使得训练图像更接近复杂的现实环境，提升最终卷积神经网络模型对不同场景的适用性和准确性。其中，对训练图像添加数据噪声，可以是随机添加噪声或水平翻转训练图像，实现数据增强，得到Ii(i＝1,2,,…,Nsample)。所述噪声可以包括杂色、或其他遮挡物等，在此不做具体限定。
结合参照图2，本申请实施例记载的目标分布检测方法还可以包括：
对训练图像基于卷积神经网络的第一分支进行处理，得到训练图像的第一分支特征图。
在这种情况下，对训练图像基于卷积神经网络进行处理，得到所述训练图像中的目标分布预测值，包括：
对训练图像基于卷积神经网络的第二分支进行处理，得到训练图像的第二分支特征图；
根据第一分支特征图和第二分支特征图，确定所述训练图像中的目标分布预测值。
在本申请实施例中，可以在对所述训练图像基于卷积神经网络的第一分支进行处理的步骤，和对训练图像基于卷积神经网络的第二分支进行处理的步骤之前，对训练图像基于所述卷积神经网络的至少一个卷积层进行处理，得到初始特征图Mi(i＝1,2,,…,Nsample)。
具体地，可以在初始阶段设置有两个或其他数量的卷积层201、202，与第一分支和第二分支相连接。其中，第一个卷积层201可以包含16个卷积核，大小为9×9，或包含其他数量的卷积核及卷积核大小；第二个卷积层202包含32个卷积核，大小为7×7，或包含其他数量的卷积核及卷积核大小。Mi(i＝1,2,,…,Nsample)，为输入的训练图像或其截图图像经过两次卷积后的中间表示。进一步地，每个卷积层后接一个PReLU激活函数，用来捕捉目标的特征值。
在这种情况下，对训练图像基于卷积神经网络的第一分支进行处理，可以包括：
对初始特征图Mi(i＝1,2,,…,Nsample)基于卷积神经网络的第一分支进行处理，得到第一分支特征图。
在本申请实施例中，卷积神经网络的第一分支可以用于预测目标数量类别Fc(Ii,Θ)，参考下述公式：
Fc(Ii,Θ1)＝Θ1·Mi
其中，Fc(Ii,Θ1)＝{xi,0,xi,1,xi,2,…,xi,9}，xi,j∈{0,1}为所输入的训练图像或其截图图像的分类输出向量，xi,j＝0表示该图像中的目标数量等级属于该类别，xi,j＝1表示该图像中目标数量等级不属于该类别。Θ1为第一分支的权重参数。
第一分支的第一阶段结构可以包括四个卷积层203或其他数量的卷积层构成，每个卷积层后加了一个PReLU激活层，其中前两个卷积层后还可以加两个Max Pooling层来对输入图像进行下采样(subsampled)，压缩输入图像的尺寸。第一分支中第一阶段结构最后一个卷积层203的输出为Ci。
第一分支的第二阶段结构可以包括三个或其他数量的全连接层204构成，最终输出长度为10或其他长度的目标数量类别的分类向量。这样，根据第一分支特征图确定训练图像中的目标数量类别预测值，可以包括：
根据所述第一分支特征图确定所述训练图像中的目标数量预测值；
根据所述目标数量预测值确定所述训练图像中的目标数量类别预测值。其中，全连接层204可以用来对目标数量类别的种类进行降维处理，同时对目标数量类别进行预测。
对于第二分支，根据第一分支特征图和第二分支特征图，确定训练图像中的目标分布预测值，包括：
根据第一分支特征图和第二分支特征图，确定训练图像中的目标分布密度预测值。具体地，可以将第一分支特征图和第二分支特征图进行叠加，生成叠加特征图；对叠加特征图基于至少一个卷积层205进行处理；之后根据处理后的特征图生成目标分布密度图。
具体地，训练和预测目标分布密度图，可参考如下公式：
Fd(Ii,Ci,Θ2)＝Θ2·Mi
其中，Fd(Ii,Ci,Θ2)为大小和输入的训练图像相同的目标分布密度图，Θ2为预测目标分布密度图的卷积神经网络第二分支的参数，Ci为第一分支预测目标数量类别的最后一个卷积层的输出。
在这种情况下，第二分支的第一阶段结构可与第一分支的第一阶段结构可以相同。在第二分支的第二阶段，输入的特征图可以包括本分支(第二分支)输出的第二分支特征图之外，还包括了第一分支的第一分支特征图，以此完成两个分支的级联。之后，经过两个卷积层和两个反卷积层，恢复之前由于Max Pooling层操作丢失的信息，最终输出与输入原图大小相同的目标分布密度图，该目标分布密度图用来描述目标分布密度预测值。
本申请实施例中的卷积神经网路可以同时进行多任务学习，同时利用第一分支可以调整第二分支的权重参数值，增强数据的准确性。
步骤102：获取所述训练图像中的目标分布真实值与所述目标分布预测值的第一差异值。
在这一过程中，第一差异值用来表示目标分布真实值与目标分布预测值之间的差值。当在训练过程中，将所述至少一张截图图像输入所述卷积神经网络，得到所述目标分布预测，则
获取训练图像中的目标分布真实值与所述目标分布预测值的第一差异值，包括：
根据截图图像与所述目标分布真实值的映射关系，获取所述截图图像在训练图像的对应位置的目标分布真实值；
获取截图图像对应的目标分布预测值与目标分布真实值之间的第一差异值。
当对训练图像基于卷积神经网络的第二分支进行处理，得到训练图像的第二分支特征图时，可以利用第二分支的损失函数计算第一差异值。第二分支的损失函数如下：
其中，N为训练样本数，Fd(Ij,Ci,Θ2)为预测的目标分布密度图，Di为对应的真实目标分布密度图，Ci如上所示，其他参数可参照上文所示。
当根据第一分支特征图确定训练图像中的目标数量类别预测值时，还根据卷积神经网络的第一分支，获取训练图像中的目标数量类别真实值与目标数量类别预测值之间的第二差异值。具体地，第一分支的损失函数为：
其中，M为目标数量类别的分类数，Fc(Ii,Θ1)为目标数量类别预测值(可表示为分类输出向量)，yi为关于目标数量类别真实值，其他参数可参照上文所示。
在这种情况下，卷积神经网络的整体损失为L＝λLc+Ld，其中，λ可以为0.0001或其他值，Lc为第一分支的损失函数，Ld为第二分支的损失函数。
步骤103：根据第一差异值确定所述卷积神经网络的参数，得到卷积神经网络模型。
在本申请实施例中，若对训练图像基于卷积神经网络的第二分支进行处理，则参考步骤102的内容，根据第二分支的损失函数计算得到的第一差异值来确定第二分支的参数，更新第二分支的权重。
若对训练图像还基于第一分支进行处理，则参考步骤102的内容，根据第一分支的损失函数计算得到第二差异值来确定第一分支的参数。
在第一分支和第二分支各自参数均得到更新时，得到训练好的卷积神经网络模型。
在本说明书实施例中，在根据第一差异值，或进一步根据第二差异值确定卷积神经网络的参数，得到卷积神经网络模型之后，目标分布密度检测方法还可以包括：
若根据不同训练图像得到不同卷积神经网络模型，则对验证图像基于所述不同卷积神经网络模型进行处理，得到所述验证图像中的不同目标分布验证值；
根据所述验证图像中的目标分布真实值与不同目标分布验证值之间的第三差异值；
确定符合预设条件的所述第三差异值对应的卷积神经网络模型。
这里符合预设条件的第三差异值，可以是最小差异值或高于阈值。
验证图像和训练图像均取自已处理的目标聚集图像(原图像)或目标聚集图像，通过在原图像中标注每个目标的位置坐标，进而通过原图像和原图像中每个目标的位置坐标生成真实的目标分布密度图；之后，将已标注的原图像案一定比例随机分成训练图像集IMGtrain和验证图像集IMGval，训练图像集用于训练卷积神经网络模型，验证图像集用于检验卷积神经网络模型的优劣。
在本申请实施例中，可以每经过一定轮数的训练，将训练好的最新卷积神经网络模型在验证图像集上检验效果并记录，具体为：
每当整个训练图像集全部输入到卷积神经网络中训练两次或其他次数之后，存储卷积神经网络的权重参数并在验证图像集检验效果，具体评价指标为：
其中，yi为验证图像中目标的真实数量，y′i为验证图像中目标的预测数量。MAE表示平均绝对误差，表示卷积神经网络模型准确性，数值越小表明卷积神经网络模型准确度越高；MSE表示平均平方误差，表示鲁棒性，数值越小表明卷积神经网络模型的鲁棒性越高。
这样，可以综合MAE和MSE确定准确度和鲁棒性均较佳的卷积神经网络模型，用于实际的目标分布检测方案。
在本申请实施例中，对每轮训练图像随机排序：先获得整个训练图像集的列表，再对列表随机排序，以保证在每轮训练图像输入到卷积神经网络中的顺序是不一样的，以便于卷积神经网络的学习。在训练经过一定轮数后，卷积神经网络的损失值减小到一定范围内，即可保留卷积神经网络的最终参数θf，以对目标数量类别和目标分布密度图进行预测。
本申请实施例中，利用训练图像来训练卷积神经网络，卷积神经网络对特征的表达能力和鲁棒性能更好，可以提升将来预测目标分布的准确性。
图3为本申请实施例提供的一种目标分布检测方法的流程图，所述方法如下所示。本申请实施例的目标分布检测方法为根据图1所示训练好的卷积神经网络模型对目标分布进行实际检测阶段。本申请实施例的执行主体可以为目标分布密度检测系统及运行该目标分布检测系统的目标分布检测设备。
步骤301：基于卷积神经网络模型对检测图像进行处理，得到所述检测图像中的目标分布预测值，所述目标分布预测值包括目标分布密度预测值和目标数量类别预测值中的至少一种。
在本申请实施例中，基于卷积神经网络模型对检测图像进行处理，得到所述检测图像中的目标分布预测值，包括：
对所述检测图像进行至少一次截图，得到至少一张截图图像；
将所述至少一张截图图像输入所述卷积神经网络模型，得到所述目标分布预测值。
其中，对检测图像进行至少一次截图，可以参考上文步骤101的内容，在此不再详述。
在本申请实施例中，目标分布检测方法还可以包括：
基于卷积神经网络模型的第一分支对检测图像进行处理，得到检测图像的第一分支特征图；
基于卷积神经网络模型对检测图像进行处理，得到所述检测图像中的目标分布预测值，包括：
基于卷积神经网络模型的第二分支对检测图像进行处理，得到检测图像的第二分支特征图；
根据第一分支特征图和第二分支特征图，生成所述目标分布预测值。
在这种情况下，可以将第一分支特征图和第二分支特征图进行叠加，生成叠加特征图；对叠加特征图基于至少一个卷积层进行处理；之后根据处理后的特征图生成分布密度图。
在本申请实施例中，根据第一分支特征图和第二分支特征图，确定检测图像中的目标分布预测值，包括：
根据第一分支特征图和第二分支特征图，确定检测图像中的目标分布密度预测值。
这样，在基于所述卷积神经网络模型的第一分支在对所述检测图像进行处理，得到所述检测图像的第一分支特征图之后，还包括：
根据所述第一分支特征图确定所述检测图像中的目标数量类别预测值。
可选地，根据第一分支特征图确定检测图像中的目标数量类别预测值，可以包括：
根据第一分支特征图确定检测图像中的目标数量预测值；
根据目标数量预测值确定所述检测图像中的目标数量类别预测值。
对卷积神经网络模型的结构可以参考图2所示，在此不再赘述。
在本申请实施例中，在基于卷积神经网络模型的第一分支对所述检测图像进行处理的步骤，和所述基于所述卷积神经网络模型的第二分支对所述检测图像进行处理的步骤之前，包括：
基于至少一个卷积层对所述检测图像进行处理，得到初始特征图；
基于所述卷积神经网络模型的第一分支对所述检测图像进行处理，包括：
基于所述卷积神经网络模型的第一分支对所述初始特征图进行处理，得到所述第一分支特征图；
基于所述卷积神经网络模型的第二分支对所述检测图像进行处理，包括：
基于所述卷积神经网络模型的第二分支对所述初始特征图进行处理，得到所述第二分支特征图。
利用本申请实施例记载的目标分布检测方法，可以利用卷积神经网络模型获取检测图像中的目标分布预测值，卷积神经网络模型对特征的表达能力和鲁棒性能更好，可以提升目标分布预测值的准确性。
图4为本申请实施例提供的一种目标分布检测设备的结构示意图，所述结构如下所示。
目标分布检测设备可以包括：
处理模块401，对训练图像基于卷积神经网络进行处理，得到所述训练图像中的目标分布预测值，所述目标分布预测值包括目标分布密度预测值和目标数量类别预测值中的至少一种；
获取模块402，获取所述训练图像中的目标分布真实值与所述目标分布预测值的第一差异值；
确定模块403，根据所述第一差异值确定所述卷积神经网络的参数，得到卷积神经网络模型。
可选地，对训练图像基于卷积神经网络进行处理，得到所述训练图像中的目标分布预测值，包括：
对所述训练图像进行至少一次截图，得到至少一张截图图像；
将所述至少一张截图图像输入所述卷积神经网络，得到所述目标分布预测值；
获取所述训练图像中的目标分布真实值与所述目标分布预测值的第一差异值，包括：
根据所述截图图像与所述目标分布真实值的映射关系，获取所述截图图像在训练图像的对应位置的目标分布真实值；
获取所述截图图像对应的目标分布预测值与目标分布真实值之间的第一差异值。
可选地，对所述训练图像进行至少一次截图，得到至少一张截图图像，包括：
每对所述训练图像进行预设次数截图之后，对所述训练图像添加数据噪声；
对添加数据噪声的所述训练图像进行所述预设次数截图。
可选地，所述处理模块401还对所述训练图像基于所述卷积神经网络的第一分支进行处理，得到所述训练图像的第一分支特征图；
对训练图像基于卷积神经网络进行处理，得到所述训练图像中的目标分布预测值，包括：
对所述训练图像基于卷积神经网络的第二分支进行处理，得到所述训练图像的第二分支特征图；
根据所述第一分支特征图和第二分支特征图，确定所述训练图像中的目标分布预测值。
可选地，根据所述第一分支特征图和第二分支特征图，确定所述训练图像中的目标分布预测值，包括：
根据所述第一分支特征图和第二分支特征图，确定所述训练图像中的目标分布密度预测值。
可选地，在对所述训练图像基于所述卷积神经网络的第一分支进行处理，得到所述训练图像的第一分支特征图之后，根据所述第一分支特征图确定所述训练图像中的目标数量类别预测值；
获取所述训练图像中的目标数量类别真实值与所述目标数量类别预测值之间的第二差异值；
根据所述第二差异值确定所述第一分支的参数。
可选地，根据所述第一分支特征图确定所述训练图像中的目标数量类别预测值，包括：
根据所述第一分支特征图确定所述训练图像中的目标数量预测值；
根据所述目标数量预测值确定所述训练图像中的目标数量类别预测值。
可选地，在所述对所述训练图像基于所述卷积神经网络的第一分支进行处理的步骤，和所述对所述训练图像基于所述卷积神经网络的第二分支进行处理的步骤之前，对所述训练图像基于至少一个卷积层进行处理，得到初始特征图；
对所述训练图像基于所述卷积神经网络的第一分支进行处理，包括：
对所述初始特征图基于所述卷积神经网络的第一分支进行处理，得到所述第一分支特征图；
对所述训练图像基于所述卷积神经网络的第二分支进行处理，包括：
对所述初始特征图基于所述卷积神经网络的第二分支进行处理，得到所述第二分支特征图。
可选地，在根据所述第一差异值确定所述卷积神经网络的参数，得到卷积神经网络模型之后，若根据不同训练图像得到不同卷积神经网络模型，则对验证图像基于所述不同卷积神经网络模型进行处理，得到所述验证图像中的不同目标分布验证值；
根据所述验证图像中的目标分布真实值与不同目标分布验证值之间的第三差异值；
确定符合预设条件的所述第三差异值对应的卷积神经网络模型。
图5为本申请实施例提供的一种目标分布检测设备的结构示意图，所述结构如下所示。
目标分布检测设备可以包括：
处理模块501，基于卷积神经网络模型对检测图像进行处理，得到所述检测图像中的目标分布预测值，所述目标分布预测值包括目标分布密度预测值和目标数量类别预测值中的至少一种；
其中，所述卷积神经网络模型是对训练图像基于卷积神经网络进行训练，确定所述卷积神经网络的参数得到的。
可选地，基于卷积神经网络模型对检测图像进行处理，得到所述检测图像中的目标分布预测值，包括：
对所述检测图像进行至少一次截图，得到至少一张截图图像；
将所述至少一张截图图像输入所述卷积神经网络模型，得到所述目标分布预测值。
可选地，所述处理模块501还基于所述卷积神经网络模型的第一分支对所述检测图像进行处理，得到所述检测图像的第一分支特征图；
基于卷积神经网络模型对检测图像进行处理，得到所述检测图像中的目标分布预测值，包括：
基于卷积神经网络模型的第二分支对所述检测图像进行处理，得到所述检测图像的第二分支特征图；
根据所述第一分支特征图和第二分支特征图，生成所述目标分布预测值。
可选地，根据所述第一分支特征图和第二分支特征图，确定所述检测图像中的目标分布预测值，包括：
根据所述第一分支特征图和第二分支特征图，确定所述检测图像中的目标分布密度预测值。
可选地，在基于所述卷积神经网络模型的第一分支在对所述检测图像进行处理，得到所述检测图像的第一分支特征图之后，根据所述第一分支特征图确定所述检测图像中的目标数量类别预测值。
可选地，根据所述第一分支特征图确定所述检测图像中的目标数量类别预测值，包括：
根据所述第一分支特征图确定所述检测图像中的目标数量预测值；
根据所述目标数量预测值确定所述检测图像中的目标数量类别预测值。
可选地，在基于所述卷积神经网络模型的第一分支对所述检测图像进行处理的步骤，和所述基于所述卷积神经网络模型的第二分支对所述检测图像进行处理的步骤之前，基于至少一个卷积层对所述检测图像进行处理，得到初始特征图；
基于所述卷积神经网络模型的第一分支对所述检测图像进行处理，包括：
基于所述卷积神经网络模型的第一分支对所述初始特征图进行处理，得到所述第一分支特征图；
基于所述卷积神经网络模型的第二分支对所述检测图像进行处理，包括：
基于所述卷积神经网络模型的第二分支对所述初始特征图进行处理，得到所述第二分支特征图。
基于同一发明构思，本申请实施例还提供一种电子设备，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行图1和图3所示的目标分布检测方法。
基于同一发明构思，本申请实施例还提供一种计算机可读存储介质，包括与电子设备结合使用的程序，程序可被处理器执行以完成图1和图3所示的目标分布检测方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (34)

1.一种目标分布检测方法，其特征在于，包括：
对训练图像基于卷积神经网络进行处理，得到所述训练图像中的目标分布预测值，所述目标分布预测值包括目标分布密度预测值和目标数量类别预测值中的至少一种；
获取所述训练图像中的目标分布真实值与所述目标分布预测值的第一差异值；
根据所述第一差异值确定所述卷积神经网络的参数，得到卷积神经网络模型。
2.如权利要求1所述的目标分布检测方法，其特征在于，对训练图像基于卷积神经网络进行处理，得到所述训练图像中的目标分布预测值，包括：
对所述训练图像进行至少一次截图，得到至少一张截图图像；
将所述至少一张截图图像输入所述卷积神经网络，得到所述目标分布预测值；
获取所述训练图像中的目标分布真实值与所述目标分布预测值的第一差异值，包括：
根据所述截图图像与所述目标分布真实值的映射关系，获取所述截图图像在训练图像的对应位置的目标分布真实值；
获取所述截图图像对应的目标分布预测值与目标分布真实值之间的第一差异值。
3.如权利要求2所述的目标分布检测方法，其特征在于，对所述训练图像进行至少一次截图，得到至少一张截图图像，包括：
每对所述训练图像进行预设次数截图之后，对所述训练图像添加数据噪声；
对添加数据噪声的所述训练图像进行所述预设次数截图。
4.如权利要求1所述的目标分布检测方法，其特征在于，还包括：
对所述训练图像基于所述卷积神经网络的第一分支进行处理，得到所述训练图像的第一分支特征图；
对训练图像基于卷积神经网络进行处理，得到所述训练图像中的目标分布预测值，包括：
对所述训练图像基于卷积神经网络的第二分支进行处理，得到所述训练图像的第二分支特征图；
根据所述第一分支特征图和第二分支特征图，确定所述训练图像中的目标分布预测值。
5.如权利要求4所述的目标分布检测方法，其特征在于，根据所述第一分支特征图和第二分支特征图，确定所述训练图像中的目标分布预测值，包括：
根据所述第一分支特征图和第二分支特征图，确定所述训练图像中的目标分布密度预测值。
6.如权利要求5所述的目标分布检测方法，其特征在于，在对所述训练图像基于所述卷积神经网络的第一分支进行处理，得到所述训练图像的第一分支特征图之后，还包括：
根据所述第一分支特征图确定所述训练图像中的目标数量类别预测值；
获取所述训练图像中的目标数量类别真实值与所述目标数量类别预测值之间的第二差异值；
根据所述第二差异值确定所述第一分支的参数。
7.如权利要求6所述的目标分布检测方法，其特征在于，根据所述第一分支特征图确定所述训练图像中的目标数量类别预测值，包括：
根据所述第一分支特征图确定所述训练图像中的目标数量预测值；
根据所述目标数量预测值确定所述训练图像中的目标数量类别预测值。
8.如权利要求4所述的目标分布检测方法，其特征在于，在所述对所述训练图像基于所述卷积神经网络的第一分支进行处理的步骤，和所述对所述训练图像基于所述卷积神经网络的第二分支进行处理的步骤之前，还包括：
对所述训练图像基于至少一个卷积层进行处理，得到初始特征图；
对所述训练图像基于所述卷积神经网络的第一分支进行处理，包括：
对所述初始特征图基于所述卷积神经网络的第一分支进行处理，得到所述第一分支特征图；
对所述训练图像基于所述卷积神经网络的第二分支进行处理，包括：
对所述初始特征图基于所述卷积神经网络的第二分支进行处理，得到所述第二分支特征图。
9.如权利要求1所述的目标分布检测方法，其特征在于，在根据所述第一差异值确定所述卷积神经网络的参数，得到卷积神经网络模型之后，所述目标分布检测方法还包括：
若根据不同训练图像得到不同卷积神经网络模型，则对验证图像基于所述不同卷积神经网络模型进行处理，得到所述验证图像中的不同目标分布验证值；
根据所述验证图像中的目标分布真实值与不同目标分布验证值之间的第三差异值；
确定符合预设条件的所述第三差异值对应的卷积神经网络模型。
10.一种目标分布检测方法，其特征在于，包括：
基于卷积神经网络模型对检测图像进行处理，得到所述检测图像中的目标分布预测值，所述目标分布预测值包括目标分布密度预测值和目标数量类别预测值中的至少一种；
其中，所述卷积神经网络模型是对训练图像基于卷积神经网络进行训练，确定所述卷积神经网络的参数得到的。
11.如权利要求10所述的目标分布检测方法，其特征在于，基于卷积神经网络模型对检测图像进行处理，得到所述检测图像中的目标分布预测值，包括：
对所述检测图像进行至少一次截图，得到至少一张截图图像；
将所述至少一张截图图像输入所述卷积神经网络模型，得到所述目标分布预测值。
12.如权利要求10所述的目标分布检测方法，其特征在于，还包括：
基于所述卷积神经网络模型的第一分支对所述检测图像进行处理，得到所述检测图像的第一分支特征图；
基于卷积神经网络模型对检测图像进行处理，得到所述检测图像中的目标分布预测值，包括：
基于所述卷积神经网络模型的第二分支对所述检测图像进行处理，得到所述检测图像的第二分支特征图；
根据所述第一分支特征图和第二分支特征图，生成所述目标分布预测值。
13.如权利要求12所述的目标分布检测方法，其特征在于，根据所述第一分支特征图和第二分支特征图，确定所述检测图像中的目标分布预测值，包括：
根据所述第一分支特征图和第二分支特征图，确定所述检测图像中的目标分布密度预测值。
14.如权利要求13所述的目标分布检测方法，其特征在于，在基于所述卷积神经网络模型的第一分支在对所述检测图像进行处理，得到所述检测图像的第一分支特征图之后，还包括：
根据所述第一分支特征图确定所述检测图像中的目标数量类别预测值。
15.如权利要求14所述的目标分布检测方法，其特征在于，根据所述第一分支特征图确定所述检测图像中的目标数量类别预测值，包括：
根据所述第一分支特征图确定所述检测图像中的目标数量预测值；
根据所述目标数量预测值确定所述检测图像中的目标数量类别预测值。
16.如权利要求12所述的目标分布检测方法，其特征在于，在基于所述卷积神经网络模型的第一分支对所述检测图像进行处理的步骤，和所述基于所述卷积神经网络模型的第二分支对所述检测图像进行处理的步骤之前，还包括：
基于至少一个卷积层对所述检测图像进行处理，得到初始特征图；
基于所述卷积神经网络模型的第一分支对所述检测图像进行处理，包括：
基于所述卷积神经网络模型的第一分支对所述初始特征图进行处理，得到所述第一分支特征图；
基于所述卷积神经网络模型的第二分支对所述检测图像进行处理，包括：
基于所述卷积神经网络模型的第二分支对所述初始特征图进行处理，得到所述第二分支特征图。
17.一种目标分布检测设备，其特征在于，包括：
处理模块，对训练图像基于卷积神经网络进行处理，得到所述训练图像中的目标分布预测值，所述目标分布预测值包括目标分布密度预测值和目标数量类别预测值中的至少一种；
获取模块，获取所述训练图像中的目标分布真实值与所述目标分布预测值的第一差异值；
确定模块，根据所述第一差异值确定所述卷积神经网络的参数，得到卷积神经网络模型。
18.如权利要求17所述的目标分布检测设备，其特征在于，对训练图像基于卷积神经网络进行处理，得到所述训练图像中的目标分布预测值，包括：
对所述训练图像进行至少一次截图，得到至少一张截图图像；
将所述至少一张截图图像输入所述卷积神经网络，得到所述目标分布预测值；
获取所述训练图像中的目标分布真实值与所述目标分布预测值的第一差异值，包括：
根据所述截图图像与所述目标分布真实值的映射关系，获取所述截图图像在训练图像的对应位置的目标分布真实值；
获取所述截图图像对应的目标分布预测值与目标分布真实值之间的第一差异值。
19.如权利要求18所述的目标分布检测设备，其特征在于，对所述训练图像进行至少一次截图，得到至少一张截图图像，包括：
每对所述训练图像进行预设次数截图之后，对所述训练图像添加数据噪声；
对添加数据噪声的所述训练图像进行所述预设次数截图。
20.如权利要求17所述的目标分布检测设备，其特征在于，所述处理模块还对所述训练图像基于所述卷积神经网络的第一分支进行处理，得到所述训练图像的第一分支特征图；
对训练图像基于卷积神经网络进行处理，得到所述训练图像中的目标分布预测值，包括：
对所述训练图像基于卷积神经网络的第二分支进行处理，得到所述训练图像的第二分支特征图；
根据所述第一分支特征图和第二分支特征图，确定所述训练图像中的目标分布预测值。
21.如权利要求20所述的目标分布检测设备，其特征在于，根据所述第一分支特征图和第二分支特征图，确定所述训练图像中的目标分布预测值，包括：
根据所述第一分支特征图和第二分支特征图，确定所述训练图像中的目标分布密度预测值。
22.如权利要求21所述的目标分布检测设备，其特征在于，在对所述训练图像基于所述卷积神经网络的第一分支进行处理，得到所述训练图像的第一分支特征图之后，根据所述第一分支特征图确定所述训练图像中的目标数量类别预测值；
获取所述训练图像中的目标数量类别真实值与所述目标数量类别预测值之间的第二差异值；
根据所述第二差异值确定所述第一分支的参数。
23.如权利要求21所述的目标分布检测设备，其特征在于，根据所述第一分支特征图确定所述训练图像中的目标数量类别预测值，包括：
根据所述第一分支特征图确定所述训练图像中的目标数量预测值；
根据所述目标数量预测值确定所述训练图像中的目标数量类别预测值。
24.如权利要求20所述的目标分布检测设备，其特征在于，在所述对所述训练图像基于所述卷积神经网络的第一分支进行处理的步骤，和所述对所述训练图像基于所述卷积神经网络的第二分支进行处理的步骤之前，对所述训练图像基于至少一个卷积层进行处理，得到初始特征图；
对所述训练图像基于所述卷积神经网络的第一分支进行处理，包括：
对所述初始特征图基于所述卷积神经网络的第一分支进行处理，得到所述第一分支特征图；
对所述训练图像基于所述卷积神经网络的第二分支进行处理，包括：
对所述初始特征图基于所述卷积神经网络的第二分支进行处理，得到所述第二分支特征图。
25.如权利要求17所述的目标分布检测设备，其特征在于，在根据所述第一差异值确定所述卷积神经网络的参数，得到卷积神经网络模型之后，若根据不同训练图像得到不同卷积神经网络模型，则对验证图像基于所述不同卷积神经网络模型进行处理，得到所述验证图像中的不同目标分布验证值；
根据所述验证图像中的目标分布真实值与不同目标分布验证值之间的第三差异值；
确定符合预设条件的所述第三差异值对应的卷积神经网络模型。
26.一种目标分布检测设备，其特征在于，包括：
处理模块，基于卷积神经网络模型对检测图像进行处理，得到所述检测图像中的目标分布预测值，所述目标分布预测值包括目标分布密度预测值和目标数量类别预测值中的至少一种；
其中，所述卷积神经网络模型是对训练图像基于卷积神经网络进行训练，确定所述卷积神经网络的参数得到的。
27.如权利要求26所述的目标分布检测设备，其特征在于，基于卷积神经网络模型对检测图像进行处理，得到所述检测图像中的目标分布预测值，包括：
对所述检测图像进行至少一次截图，得到至少一张截图图像；
将所述至少一张截图图像输入所述卷积神经网络模型，得到所述目标分布预测值。
28.如权利要求26所述的目标分布检测设备，其特征在于，所述处理模块还基于所述卷积神经网络模型的第一分支对所述检测图像进行处理，得到所述检测图像的第一分支特征图；
基于卷积神经网络模型对检测图像进行处理，得到所述检测图像中的目标分布预测值，包括：
基于卷积神经网络模型的第二分支对所述检测图像进行处理，得到所述检测图像的第二分支特征图；
根据所述第一分支特征图和第二分支特征图，生成所述目标分布预测值。
29.如权利要求28所述的目标分布检测设备，其特征在于，根据所述第一分支特征图和第二分支特征图，确定所述检测图像中的目标分布预测值，包括：
根据所述第一分支特征图和第二分支特征图，确定所述检测图像中的目标分布密度预测值。
30.如权利要求29所述的目标分布检测设备，其特征在于，在基于所述卷积神经网络模型的第一分支在对所述检测图像进行处理，得到所述检测图像的第一分支特征图之后，还包括：
根据所述第一分支特征图确定所述检测图像中的目标数量类别预测值。
31.如权利要求30所述的目标分布检测设备，其特征在于，根据所述第一分支特征图确定所述检测图像中的目标数量类别预测值，包括：
根据所述第一分支特征图确定所述检测图像中的目标数量预测值；
根据所述目标数量预测值确定所述检测图像中的目标数量类别预测值。
32.如权利要求28所述的目标分布检测设备，其特征在于，在基于所述卷积神经网络模型的第一分支对所述检测图像进行处理的步骤，和所述基于所述卷积神经网络模型的第二分支对所述检测图像进行处理的步骤之前，基于至少一个卷积层对所述检测图像进行处理，得到初始特征图；
基于所述卷积神经网络模型的第一分支对所述检测图像进行处理，包括：
基于所述卷积神经网络模型的第一分支对所述初始特征图进行处理，得到所述第一分支特征图；
基于所述卷积神经网络模型的第二分支对所述检测图像进行处理，包括：
基于所述卷积神经网络模型的第二分支对所述初始特征图进行处理，得到所述第二分支特征图。
33.一种电子设备，其特征在于，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行权利要求1-16任一项所述的目标分布检测方法。
34.一种计算机可读存储介质，其特征在于，包括与电子设备结合使用的程序，程序可被处理器执行以完成权利要求1-16任一项所述的目标分布检测方法。
CN201810506765.0A 2018-05-24 2018-05-24 目标分布检测方法及设备 Pending CN108875587A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810506765.0A CN108875587A (zh) 2018-05-24 2018-05-24 目标分布检测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810506765.0A CN108875587A (zh) 2018-05-24 2018-05-24 目标分布检测方法及设备

Publications (1)

Publication Number Publication Date
CN108875587A true CN108875587A (zh) 2018-11-23

Family

ID=64334230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810506765.0A Pending CN108875587A (zh) 2018-05-24 2018-05-24 目标分布检测方法及设备

Country Status (1)

Country Link
CN (1) CN108875587A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109741144A (zh) * 2019-01-04 2019-05-10 南京旷云科技有限公司 商品核验方法、装置、主机及设备
CN109785344A (zh) * 2019-01-22 2019-05-21 成都大学 基于特征重标定的双通路残差网络的遥感图像分割方法
CN109978228A (zh) * 2019-01-31 2019-07-05 中南大学 一种pm2.5浓度预测方法、装置及介质
CN110334735A (zh) * 2019-05-31 2019-10-15 北京奇艺世纪科技有限公司 多任务网络生成方法、装置、计算机设备和存储介质
CN110472599A (zh) * 2019-08-20 2019-11-19 北京海益同展信息科技有限公司 对象数量确定方法、装置、存储介质与电子设备
CN111008606A (zh) * 2019-12-10 2020-04-14 上海商汤智能科技有限公司 图像预测方法及装置、电子设备和存储介质
CN111008606B (zh) * 2019-12-10 2024-04-16 上海商汤智能科技有限公司 图像预测方法及装置、电子设备和存储介质

Citations (4)

* 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
CN104992223A (zh) * 2015-06-12 2015-10-21 安徽大学 基于深度学习的密集人数估计方法
CN105528589A (zh) * 2015-12-31 2016-04-27 上海科技大学 基于多列卷积神经网络的单张图像人群计数算法
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

Patent Citations (4)

* 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
CN104992223A (zh) * 2015-06-12 2015-10-21 安徽大学 基于深度学习的密集人数估计方法
CN105528589A (zh) * 2015-12-31 2016-04-27 上海科技大学 基于多列卷积神经网络的单张图像人群计数算法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
VISHWANATH A. SINDAGI ET AL.: "CNN-based Cascaded Multi-task Learning of High-level Prior and Density Estimation for Crowd Counting", 《2017 4TH INTERNATIONAL CONFERENCE ON ADVANCED VIDEO AND SIGNAL BASED SURVEILLANCE》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109741144A (zh) * 2019-01-04 2019-05-10 南京旷云科技有限公司 商品核验方法、装置、主机及设备
CN109741144B (zh) * 2019-01-04 2021-08-10 南京旷云科技有限公司 商品核验方法、装置、主机及设备
CN109785344A (zh) * 2019-01-22 2019-05-21 成都大学 基于特征重标定的双通路残差网络的遥感图像分割方法
CN109978228A (zh) * 2019-01-31 2019-07-05 中南大学 一种pm2.5浓度预测方法、装置及介质
CN109978228B (zh) * 2019-01-31 2023-12-12 中南大学 一种pm2.5浓度预测方法、装置及介质
CN110334735A (zh) * 2019-05-31 2019-10-15 北京奇艺世纪科技有限公司 多任务网络生成方法、装置、计算机设备和存储介质
CN110334735B (zh) * 2019-05-31 2022-07-08 北京奇艺世纪科技有限公司 多任务网络生成方法、装置、计算机设备和存储介质
CN110472599A (zh) * 2019-08-20 2019-11-19 北京海益同展信息科技有限公司 对象数量确定方法、装置、存储介质与电子设备
CN110472599B (zh) * 2019-08-20 2021-09-03 北京海益同展信息科技有限公司 对象数量确定方法、装置、存储介质与电子设备
CN111008606A (zh) * 2019-12-10 2020-04-14 上海商汤智能科技有限公司 图像预测方法及装置、电子设备和存储介质
CN111008606B (zh) * 2019-12-10 2024-04-16 上海商汤智能科技有限公司 图像预测方法及装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN108875587A (zh) 目标分布检测方法及设备
CN110807385B (zh) 目标检测方法、装置、电子设备及存储介质
CN104424634B (zh) 对象跟踪方法和装置
CN112396027B (zh) 基于图卷积神经网络的车辆重识别方法
CN113657465B (zh) 预训练模型的生成方法、装置、电子设备和存储介质
CN108664893B (zh) 一种人脸检测方法及存储介质
CN108875732B (zh) 模型训练与实例分割方法、装置和系统及存储介质
US20210158023A1 (en) System and Method for Generating Image Landmarks
CN105469376B (zh) 确定图片相似度的方法和装置
CN111754396B (zh) 脸部图像处理方法、装置、计算机设备和存储介质
CN109359666A (zh) 一种基于多特征融合神经网络的车型识别方法及处理终端
CN106874857A (zh) 一种基于视频分析的活体判别方法及系统
WO2020088491A1 (zh) 一种运动行为模式分类方法、系统以及装置
Vergara et al. On the fusion of non-independent detectors
CN109145717A (zh) 一种在线学习的人脸识别方法
CN109214366A (zh) 局部目标重识别方法、装置及系统
CN109214263A (zh) 一种基于特征复用的人脸识别方法
CN111126278A (zh) 针对少类别场景的目标检测模型优化与加速的方法
Liu et al. ACDnet: An action detection network for real-time edge computing based on flow-guided feature approximation and memory aggregation
WO2021217937A1 (zh) 姿态识别模型的训练方法及设备、姿态识别方法及其设备
Wang et al. Distortion recognition for image quality assessment with convolutional neural network
CN108921023A (zh) 一种确定低质量人像数据的方法及装置
CN114037838A (zh) 神经网络的训练方法、电子设备及计算机程序产品
CN116977674A (zh) 图像匹配方法、相关设备、存储介质及程序产品
Wang et al. Basketball shooting angle calculation and analysis by deeply-learned vision model

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: 20181123

RJ01 Rejection of invention patent application after publication