CN110688928A - 模型训练方法、装置、电子设备及计算机可读存储介质 - Google Patents
模型训练方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110688928A CN110688928A CN201910890769.8A CN201910890769A CN110688928A CN 110688928 A CN110688928 A CN 110688928A CN 201910890769 A CN201910890769 A CN 201910890769A CN 110688928 A CN110688928 A CN 110688928A
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- training
- initial
- initial image
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 53
- 241000238557 Decapoda Species 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims description 3
- 241000251468 Actinopterygii Species 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000002372 labelling Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000143060 Americamysis bahia Species 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种模型训练方法、装置、电子设备及计算机可读存储介质,该方法包括:获取训练集,所述训练集包括初始图像;标注出所述初始图像中的目标对象,获得所述初始图像的标签图像;对所述初始图像中的目标对象进行高斯模糊处理,获得所述初始图像的训练图像;基于所述训练图像和所述标签图像对神经网络模型进行训练,获得用于统计所述目标对象的密度的密度估计模型。通过以上方法可获得能够统计高密度的鱼苗、虾苗等对象的密度的神经网络模型。
Description
技术领域
本公开涉及目标识别计数技术领域,具体而言,涉及一种模型训练方法、装置、电子设备及计算机可读存储介质。
背景技术
随着水产养殖规模不断扩大,其饲养运输、销售等环节需要对虾苗、鱼苗等进行定量计数。针对鱼、虾苗体型较小、密度大、粘连程度高等分布特点,相关技术中采用光电计数器、鱼虾苗计数仪等对鱼苗、虾苗数量进行估计,但易受养殖场地尺寸及鱼、虾苗大小的影响,且价格昂贵。另一些相关技术中采用基于计算机视觉的鱼、虾苗计数方法,但在图像采集过程中,光照或拍摄角度的变化会影响最终的计数结果;而且当鱼、虾群密度较高时,由于鱼、虾苗的重叠现象,导致计数结果会出现较大误差。
如上所述,如何提供能够拥有不受养殖场地尺寸、鱼虾苗大小、光照或拍摄角度以及鱼虾群密度的影响的计数的模型成为亟待解决的问题。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开实施例提供一种模型训练方法、装置、设备及计算机可读存储介质。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一方面,提供一种模型训练方法,包括:获取训练集,所述训练集包括初始图像;标注出所述初始图像中的目标对象,获得所述初始图像的标签图像;对所述初始图像中的目标对象进行高斯模糊处理,获得所述初始图像的训练图像;基于所述训练图像和所述标签图像对神经网络模型进行训练,获得用于统计所述目标对象的密度的密度估计模型。
根据本公开的一实施例,所述方法还包括:获取包括所述目标对象的待处理图像;基于所述密度估计模型对所述待处理图像进行处理,获得已标记所述待处理图像中的目标对象的估计图像;根据所述估计图像获得所述待处理图像中目标对象的数量。
根据本公开的一实施例,所述根据所述估计图像获得所述待处理图像中目标对象的数量,包括:获取所述估计图像中的各个像素的像素值;根据所述估计图像中的各个像素及其像素值获得所述待处理图像中目标对象的数量。
根据本公开的一实施例,所述对所述初始图像中的目标对象进行高斯模糊处理,包括:对所述初始图像中的目标对象的各个像素进行卷积处理。
根据本公开的一实施例,所述对所述初始图像中的目标对象的各个像素进行卷积处理,包括:将所述初始图像中的目标对象的各个像素通过高斯模糊卷积核,获得所述训练图像中的各个像素。
根据本公开的一实施例,所述神经网络模型为卷积神经网络,所述目标对象为鱼苗图像或虾苗图像。
根据本公开的一实施例,所述标注出所述初始图像中的目标对象,包括:采用深度学习标注工具对所述初始图像中的各个目标对象进行整体标记。
根据本公开的再一方面,提供一种模型训练装置,包括:数据获取模块,用于获取训练集,所述训练集包括初始图像;对象标注模块,用于标注出所述初始图像中的目标对象,获得所述初始图像的标签图像;图像处理模块,用于对所述初始图像中的目标对象进行高斯模糊处理,获得所述初始图像的训练图像;网络训练模块,用于基于所述训练图像和所述标签图像对神经网络模型进行训练,获得用于统计所述目标对象的密度的密度估计模型。
根据本公开的再一方面,提供一种电子设备,包括:存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令,所述处理器执行所述可执行指令时实现如上述任一种方法。
根据本公开的再一方面,提供一种计算机可读存储介质,其上存储有计算机可执行指令,所述可执行指令被处理器执行时实现如上述任一种方法。
根据本公开某些实施例提供的方法,通过对初始图像中的目标对象进行标注,获得所述初始图像的标签图像,然后对初始图像中的目标对象进行高斯模糊处理,获得初始图像的训练图像,最后基于训练图像和标签图像对神经网络模型进行训练,获得用于统计目标对象的密度的密度估计模型,从而可获得能够较准确统计高密度的鱼苗、虾苗等目标对象的密度的神经网络模型。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例,本公开的上述和其它目标、特征及优点将变得更加显而易见。
图1是根据一示例性实施例示出的可以应用模型训练方法或模型训练装置的示例性系统架构图。
图2是根据一示例性实施例示出的一种模型训练方法的流程图。
图3是根据一示例性实施例示出的一种通过密度估计模型估计目标对象数量的方法的流程图。
图4是根据一示例性实施例示出的另一种模型训练方法的流程图。
图5是根据一示例性实施例示出的一种模型训练装置的框图。
图6是根据一示例性实施例示出的一种的电子设备结构示意图。
具体实施例
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施例使得本公开将更加全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现或者操作以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。符号“/”一般表示前后关联对象是一种“或”的关系。
在本公开中,除非另有明确的规定和限定,“连接”等术语应做广义理解,例如,可以是电连接或可以互相通讯;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本公开中的具体含义。
如上所述,因鱼、虾苗等待统计密度的目标体型较小、密度大、粘连程度高,相关技术中的计数方法受多种因素的影响,准确度较低。因此,本公开提供了一种方法,通过对初始图像中的目标对象进行标注,获得所述初始图像的标签图像,然后对初始图像中的目标对象进行高斯模糊处理,获得初始图像的训练图像,最后基于训练图像和标签图像对神经网络模型进行训练,获得用于统计目标对象的密度的密度估计模型,从而可获得能够较准确统计高密度的鱼苗、虾苗等目标的密度的神经网络模型。
图1示出了可以应用本公开的模型训练方法或模型训练装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如图像识别类应用、信息提取应用等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的初始等数据进行分析等处理,并将如目标计数结果反馈给终端设备。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2是根据一示例性实施例示出的一种模型训练方法的流程图。如图2所示的方法例如可以应用于模型训练系统的服务器端,也可以应用于模型训练系统的终端设备。
参考图2,本公开实施例提供的方法20可以包括以下步骤。
在步骤S202中,获取训练集,所述训练集包括初始图像。具体地,若待统计的目标对象为养殖的鱼苗或虾苗,初始图像为从待统计的鱼或虾养殖场拍摄得到的图像。
在步骤S204中,标注出所述初始图像中的目标对象,获得所述初始图像的标签图像。
在一些实施例中,对初始图像中的各只鱼苗或虾苗的整个鱼体或虾体进行条形标记,获得初始图像的标签图像。
在步骤S206中,对所述初始图像中的目标对象进行高斯模糊处理,获得所述初始图像的训练图像。
进一步地,对所述初始图像中的目标对象的各个像素进行卷积处理。
更进一步地,将所述初始图像中的目标对象的各个像素通过高斯模糊卷积核,获得所述训练图像中的各个像素。
在一些实施例中,具体地,高斯模糊卷积核通过函数G(x,y)获得,所述函数G(x,y)可表示为:
其中,(x,y)用于表示所述高斯模糊卷积核中各个点相对于所述高斯模糊卷积核的中心点的坐标,σ用于表示高斯模糊半径。具体地,将初始图像中的目标对象的各个像素的二维像素矩阵通过高斯模糊卷积核,变换得到初始图像的训练图像。
在步骤S208中,基于所述训练图像和所述标签图像对神经网络模型进行训练,获得用于统计所述目标对象的密度的密度估计模型。
进一步地,神经网络模型为卷积神经网络,所述卷积神经网络的损失函数采用欧式范数形式。具体地,在一些实施例中,损失函数Loss可表示为:
其中,Loss用于表示所述卷积神经网络的损失函数,M用于表示所述训练图像中像素的个数,M为大于或等于1的自然数,xj用于表示所述训练图像的第j个像素,j为大于或等于1且小于或等于M的自然数,F(xj)用于表示所述训练图像的第j个像素的像素值,Dj用于表示所述标签图像的第j个像素的像素值。具体地,例如,采用VGG(Visual Geometry Group,牛津大学计算机视觉组)深度卷积神经网络,其中的卷积核均为3*3矩阵,具有较好的泛化能力。
对于密度估计模型网络的具体结构,本领域技术人员可根据实际情况选用,本公开不做限制。
根据本发明某些实施例提供的方法,通过对初始图像中的目标对象进行标注,获得所述初始图像的标签图像,然后对初始图像中的目标对象进行高斯模糊处理,获得初始图像的训练图像,最后基于训练图像和标签图像对深度卷积神经网络模型进行训练,获得用于统计目标对象的密度的密度估计模型,从而可获得能够统计高密度的鱼苗、虾苗等目标的密度的神经网络模型,能够对各种尺寸的目标进行密度估计,对各类养殖场地的图像的适应性强。
图3是根据一示例性实施例示出的一种通过密度估计模型估计目标对象数量的方法的流程图。如图3所示的方法例如可以应用于模型训练系统的服务器端,也可以应用于模型训练系统的终端设备。
参考图3,本公开实施例提供的方法30可以包括以下步骤。
在步骤S302中,获取训练集,所述训练集包括初始图像。具体地,若待统计的目标对象为养殖的鱼苗或虾苗,初始图像为从待统计的鱼或虾养殖场拍摄得到的图像。
在步骤S304中,标注出所述初始图像中的目标对象,获得所述初始图像的标签图像。
在步骤S306中,对所述初始图像中的目标对象进行高斯模糊处理,获得所述初始图像的训练图像。
在步骤S308中,基于所述训练图像和所述标签图像对神经网络模型进行训练,获得用于统计所述目标对象的密度的密度估计模型。
上述步骤S302-S308的一些实施例已于步骤S202-S208中进行详述,此处不再赘述。
在步骤S320中,获取包括所述目标对象的待处理图像。
在步骤S312中,基于所述密度估计模型对所述待处理图像进行处理,获得已标记所述待处理图像中的目标对象的估计图像。
在步骤S314中,根据所述估计图像获得所述待处理图像中目标对象的数量。进一步地,获取所述估计图像中的各个像素的像素值;根据所述估计图像中的各个像素及其像素值获得所述待处理图像中目标对象的数量。
具体地,在一些实施例中,待处理图像中目标对象的数量C表示为:
C=∫F(xi)dx (3)
其中,C用于表示所述待处理图像中目标对象的数量,xi用于表示所述估计图像的第i个像素,i为大于或等于1的自然数,F(xi)用于表示所述估计图像的第i个像素的像素值。
根据本发明某些实施例提供的方法,通过对初始图像中的目标对象进行标注,获得所述初始图像的标签图像,然后对初始图像中的目标对象进行高斯模糊处理,获得初始图像的训练图像,最后基于训练图像和标签图像对深度卷积神经网络模型进行训练,获得用于统计目标对象的密度的密度估计模型,从而可通过密度估计模型将待处理图像变换为估计图像,然后通过对估计图像的像素值进行积分得出目标对象的个数,实现了对高密度的鱼苗、虾苗等目标进行准确计数,降低计数误差。
图4是根据一示例性实施例示出的另一种模型训练方法的流程图。如图4所示的方法例如可以应用于模型训练系统的服务器端,也可以应用于模型训练系统的终端设备。
参考图4,本公开实施例提供的方法40可以包括以下步骤。
在步骤S402中,获取训练集,所述训练集包括初始图像。具体地,若待统计的目标对象为养殖的鱼苗或虾苗,初始图像为从待统计的鱼或虾养殖场拍摄得到的图像。
在步骤S404中,采用深度学习标注工具对所述初始图像中的各个目标对象进行整体标记,获得所述初始图像的标签图像。
在一些实施例中,采用深度学习标注工具对初始图像中的各只鱼苗或虾苗的整个鱼体或虾体进行条形标记,获得初始图像的标签图像,例如,采用开源的LabelMe图形标注软件对初始图像进行标注。
在步骤S406中,对所述初始图像中的目标对象进行高斯模糊处理,获得所述初始图像的训练图像。
在步骤S408中,基于所述训练图像和所述标签图像对神经网络模型进行训练,获得用于统计所述目标对象的密度的密度估计模型。
上述步骤S406-S408的一些实施例已于步骤S206-S208中进行详述,此处不再赘述。
根据本发明一些实施例提供的方法,通过对初始图像中的目标对象进行条形标注,获得所述初始图像的标签图像,然后对初始图像中的目标对象进行高斯模糊处理,获得初始图像的训练图像,最后基于训练图像和标签图像对神经网络模型进行训练,获得用于统计目标对象的密度的密度估计模型,从而可获得能够统计高密度的鱼苗、虾苗等目标的密度的神经网络模型,降低计数的遗漏率,提高计数的准确度。
图5是根据一示例性实施例示出的一种模型训练装置的框图。该装置包括:数据获取模块502、对象标注模块504、图像处理模块506和网络训练模块508。
数据获取模块502可以用于获取训练集,所述训练集包括初始图像。
对象标注模块504可以用于标注出所述初始图像中的目标对象,获得所述初始图像的标签图像。
图像处理模块506可以用于对所述初始图像中的目标对象进行高斯模糊处理,获得所述初始图像的训练图像。
网络训练模块508可以用于基于所述训练图像和所述标签图像对神经网络模型进行训练,获得用于统计所述目标对象的密度的密度估计模型。
图6是根据一示例性实施例示出的一种的电子设备结构示意图。需要说明的是,图6示出的设备仅以计算机系统为示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有设备600操作所需的各种程序和数据。CPU601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本公开的系统中限定的上述功能。
需要说明的是,本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括数据获取模块、对象标注模块、图像处理模块和网络训练模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,数据获取模块还可以被描述为“向所连接的服务器端获取数据的模块”。
作为另一方面,本公开还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:获取训练集,所述训练集包括初始图像;标注出所述初始图像中的目标对象,获得所述初始图像的标签图像;对所述初始图像中的目标对象进行高斯模糊处理,获得所述初始图像的训练图像;基于所述训练图像和所述标签图像对神经网络模型进行训练,获得用于统计所述目标对象的密度的密度估计模型。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是,本公开不限于这里描述的详细结构、设置方式或实现方法;相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (10)
1.一种模型训练方法,其特征在于,包括:
获取训练集,所述训练集包括初始图像;
标注出所述初始图像中的目标对象,获得所述初始图像的标签图像;
对所述初始图像中的目标对象进行高斯模糊处理,获得所述初始图像的训练图像;
基于所述训练图像和所述标签图像对神经网络模型进行训练,获得用于统计所述目标对象的密度的密度估计模型。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取包括所述目标对象的待处理图像;
基于所述密度估计模型对所述待处理图像进行处理,获得已标记所述待处理图像中的目标对象的估计图像;
根据所述估计图像获得所述待处理图像中目标对象的数量。
3.根据权利要求2所述的方法,其特征在于,所述根据所述估计图像获得所述待处理图像中目标对象的数量,包括:
获取所述估计图像中的各个像素的像素值;
根据所述估计图像中的各个像素及其像素值获得所述待处理图像中目标对象的数量。
4.根据权利要求1所述的方法,其特征在于,所述对所述初始图像中的目标对象进行高斯模糊处理,包括:
对所述初始图像中的目标对象的各个像素进行卷积处理。
5.根据权利要求4所述的方法,其特征在于,所述对所述初始图像中的目标对象的各个像素进行卷积处理,包括:
将所述初始图像中的目标对象的各个像素通过高斯模糊卷积核,获得所述训练图像中的各个像素。
6.根据权利要求1至5中任意一项所述的方法,其特征在于,所述目标对象为鱼苗图像或虾苗图像。
7.根据权利要求1至5中任意一项所述的方法,其特征在于,所述标注出所述初始图像中的目标对象,包括:
采用深度学习标注工具对所述初始图像中的各个目标对象进行整体标记。
8.一种模型训练装置,其特征在于,包括:
数据获取模块,用于获取训练集,所述训练集包括初始图像;
对象标注模块,用于标注出所述初始图像中的目标对象,获得所述初始图像的标签图像;
图像处理模块,用于对所述初始图像中的目标对象进行高斯模糊处理,获得所述初始图像的训练图像;
网络训练模块,用于基于所述训练图像和所述标签图像对神经网络模型进行训练,获得用于统计所述目标对象的密度的密度估计模型。
9.一种电子设备,包括:存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令,其特征在于,所述处理器执行所述可执行指令时实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机可执行指令,其特征在于,所述可执行指令被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910890769.8A CN110688928A (zh) | 2019-09-20 | 2019-09-20 | 模型训练方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910890769.8A CN110688928A (zh) | 2019-09-20 | 2019-09-20 | 模型训练方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110688928A true CN110688928A (zh) | 2020-01-14 |
Family
ID=69109645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910890769.8A Pending CN110688928A (zh) | 2019-09-20 | 2019-09-20 | 模型训练方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110688928A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340801A (zh) * | 2020-03-24 | 2020-06-26 | 新希望六和股份有限公司 | 一种牲畜盘点方法、装置、设备及存储介质 |
CN111401182A (zh) * | 2020-03-10 | 2020-07-10 | 北京海益同展信息科技有限公司 | 针对饲喂栏的图像检测方法和装置 |
CN112257564A (zh) * | 2020-10-20 | 2021-01-22 | 青岛丰禾星普科技有限公司 | 水产品数量统计方法、终端设备及存储介质 |
CN112767382A (zh) * | 2021-01-29 | 2021-05-07 | 安徽工大信息技术有限公司 | 一种基于深度学习的鱼苗计数方法 |
CN112802086A (zh) * | 2020-12-30 | 2021-05-14 | 深兰人工智能芯片研究院(江苏)有限公司 | 密度估计方法、装置、电子设备及存储介质 |
CN113259583A (zh) * | 2020-02-13 | 2021-08-13 | 北京小米移动软件有限公司 | 一种图像处理方法、装置、终端及存储介质 |
CN114255203A (zh) * | 2020-09-22 | 2022-03-29 | 中国农业大学 | 一种鱼苗数量估计方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022460A (zh) * | 2016-05-25 | 2016-10-12 | 重庆市勘测院 | 基于激光雷达的人群密度实时监测方法 |
CN107341480A (zh) * | 2017-07-12 | 2017-11-10 | 中国电子科技集团公司第二十八研究所 | 一种改进型pccnn神经网络模型的人群聚集检测方法 |
CN108615027A (zh) * | 2018-05-11 | 2018-10-02 | 常州大学 | 一种基于长短期记忆-加权神经网络对视频人群计数的方法 |
CN110245579A (zh) * | 2019-05-24 | 2019-09-17 | 北京百度网讯科技有限公司 | 人流密度预测方法及装置、计算机设备及可读介质 |
-
2019
- 2019-09-20 CN CN201910890769.8A patent/CN110688928A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022460A (zh) * | 2016-05-25 | 2016-10-12 | 重庆市勘测院 | 基于激光雷达的人群密度实时监测方法 |
CN107341480A (zh) * | 2017-07-12 | 2017-11-10 | 中国电子科技集团公司第二十八研究所 | 一种改进型pccnn神经网络模型的人群聚集检测方法 |
CN108615027A (zh) * | 2018-05-11 | 2018-10-02 | 常州大学 | 一种基于长短期记忆-加权神经网络对视频人群计数的方法 |
CN110245579A (zh) * | 2019-05-24 | 2019-09-17 | 北京百度网讯科技有限公司 | 人流密度预测方法及装置、计算机设备及可读介质 |
Non-Patent Citations (1)
Title |
---|
陆泉: "《图像语义信息可视化交互研究》", 31 July 2015, 国防图书馆出版社 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113259583A (zh) * | 2020-02-13 | 2021-08-13 | 北京小米移动软件有限公司 | 一种图像处理方法、装置、终端及存储介质 |
CN113259583B (zh) * | 2020-02-13 | 2023-05-12 | 北京小米移动软件有限公司 | 一种图像处理方法、装置、终端及存储介质 |
CN111401182A (zh) * | 2020-03-10 | 2020-07-10 | 北京海益同展信息科技有限公司 | 针对饲喂栏的图像检测方法和装置 |
CN111401182B (zh) * | 2020-03-10 | 2023-12-08 | 京东科技信息技术有限公司 | 针对饲喂栏的图像检测方法和装置 |
CN111340801A (zh) * | 2020-03-24 | 2020-06-26 | 新希望六和股份有限公司 | 一种牲畜盘点方法、装置、设备及存储介质 |
CN114255203A (zh) * | 2020-09-22 | 2022-03-29 | 中国农业大学 | 一种鱼苗数量估计方法及系统 |
CN114255203B (zh) * | 2020-09-22 | 2024-04-09 | 中国农业大学 | 一种鱼苗数量估计方法及系统 |
CN112257564A (zh) * | 2020-10-20 | 2021-01-22 | 青岛丰禾星普科技有限公司 | 水产品数量统计方法、终端设备及存储介质 |
CN112257564B (zh) * | 2020-10-20 | 2022-07-12 | 青岛丰禾星普科技有限公司 | 水产品数量统计方法、终端设备及存储介质 |
CN112802086A (zh) * | 2020-12-30 | 2021-05-14 | 深兰人工智能芯片研究院(江苏)有限公司 | 密度估计方法、装置、电子设备及存储介质 |
CN112767382A (zh) * | 2021-01-29 | 2021-05-07 | 安徽工大信息技术有限公司 | 一种基于深度学习的鱼苗计数方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110688928A (zh) | 模型训练方法、装置、电子设备及计算机可读存储介质 | |
US10915980B2 (en) | Method and apparatus for adding digital watermark to video | |
CN109117831B (zh) | 物体检测网络的训练方法和装置 | |
CN107909065B (zh) | 用于检测人脸遮挡的方法及装置 | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
CN108898086B (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
CN108960090B (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
US20190188530A1 (en) | Method and apparatus for processing image | |
CN108960316B (zh) | 用于生成模型的方法和装置 | |
CN108229419B (zh) | 用于聚类图像的方法和装置 | |
CN109255337B (zh) | 人脸关键点检测方法和装置 | |
CN109255767B (zh) | 图像处理方法和装置 | |
CN109389072B (zh) | 数据处理方法和装置 | |
CN109711508B (zh) | 图像处理方法和装置 | |
CN109118456B (zh) | 图像处理方法和装置 | |
CN109377508B (zh) | 图像处理方法和装置 | |
CN109272543B (zh) | 用于生成模型的方法和装置 | |
CN109345580B (zh) | 用于处理图像的方法和装置 | |
CN108427941B (zh) | 用于生成人脸检测模型的方法、人脸检测方法和装置 | |
CN108509921B (zh) | 用于生成信息的方法和装置 | |
CN108510084B (zh) | 用于生成信息的方法和装置 | |
CN111860398A (zh) | 遥感图像目标检测方法、系统及终端设备 | |
CN110059623B (zh) | 用于生成信息的方法和装置 | |
CN112990318B (zh) | 持续学习方法、装置、终端及存储介质 | |
CN113393487B (zh) | 运动目标检测方法、装置、电子设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |