CN112597964A - 分层多尺度人群计数的方法 - Google Patents

分层多尺度人群计数的方法 Download PDF

Info

Publication number
CN112597964A
CN112597964A CN202011642921.XA CN202011642921A CN112597964A CN 112597964 A CN112597964 A CN 112597964A CN 202011642921 A CN202011642921 A CN 202011642921A CN 112597964 A CN112597964 A CN 112597964A
Authority
CN
China
Prior art keywords
scale
network
hierarchical multi
channels
inputting
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.)
Granted
Application number
CN202011642921.XA
Other languages
English (en)
Other versions
CN112597964B (zh
Inventor
黄良军
祝鲁宁
沈世晖
张亚妮
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.)
Shanghai Institute of Technology
Original Assignee
Shanghai Institute of Technology
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 Shanghai Institute of Technology filed Critical Shanghai Institute of Technology
Priority to CN202011642921.XA priority Critical patent/CN112597964B/zh
Publication of CN112597964A publication Critical patent/CN112597964A/zh
Application granted granted Critical
Publication of CN112597964B publication Critical patent/CN112597964B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

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

Abstract

本发明提供了一种分层多尺度人群计数的方法，该方法具体步骤如下：S1：获取数据集；S2：构建层次化多尺度神经网络；S3：训练层次化多尺度神经网络并测试；S4：获取摄像头图像，输入训练好的神经网络进行测试，得到该图片的预测人数。通过上述方式，本发明能够适用于大规模场景时的人群数量检测，有效的提高检测结果准确性。

Description

分层多尺度人群计数的方法
技术领域
本发明涉及一种分层多尺度人群计数的方法。
背景技术
随着国家城市化步伐的加快和城市经济的迅猛发展，旅游事业和人群集会场景增多，但同时伴随而来的还有安全隐患。2014年上海外滩就因人数众多，发生踩踏事件。因此通过设计一种人群计数方法，预测人群数量，对高度拥挤的场景进行预警，可以帮助相关人员进行突发事件事前预警和事后决策，人们的生命和财产安全就可得到保障。
目前已有的人群计数主要分为两种：
1)基于传统方法的方法，例如支持向量机、决策树等；
2)基于深度学习的方法，如MCNN、CSRNet等网神经络方法。以上基于深度学习的人群计数方法均存在一定的局限性。
方法1)使用传统方法，复杂度高，精度差；方法2)使用现有神经网络，精度较低等问题。
发明内容
本发明的目的在于提供一种分层多尺度人群计数的方法。
为解决上述问题，本发明提供一种分层多尺度人群计数的方法，包括：
S1：获取数据集并进行预处理，以得到预处理后的数据集；
S2：构建层次化多尺度神经网络；
S3：基于所述预处理后的数据集，训练层次化多尺度神经网络并测试层次化多尺度神经网络有效性；
S4：获取摄像头图像，输入训练好的层次化多尺度神经网络进行测试，得到所述摄像头图像中的预测人数。
进一步的，在上述方法中，步骤S1包括：
S11：下载公开数据集；
S12：将所述公开数据集分为测试集和训练集；
S13：将图像数据的宽高像素补充为8的倍数，并按比例调整定位图的位置；
S14：利用高斯核大小为25的高斯核函数将定位图处理为密度图。
进一步的，在上述方法中，步骤S2包括：
S21：前端网络提取特征：以VGG16的feature层作为特征提取层，kernel＝3，采用Conv2d卷积，每个卷积层后都加上Relu激活函数，层数为64、64、128、128，maxpooling(kernel＝2)，256、256、256，maxpooling(kernel＝2)，512、512、512，用此结构提取到特征feature；
S22：加载VGG16预训练参数；
S23：后端主干网络设计。
进一步的，在上述方法中，步骤S23包括：
S231：后端主干网络为二维卷积，kernel为3，输入网络层数为512，输出网络层数为128，后接Relu激活函数；自定义的注意力模块AT1；最近邻插值上采样，上采样倍数为原数图像两倍；二维卷积，kernel为3，输入网络层数为128，输出网络层数为64，后接Relu激活函数；自定义的注意力模块AT2；最近邻插值上采样，上采样倍数为原数图像两倍；二维卷积，kernel为3，输入网络层数为64，输出网络层数为16，后接Relu激活函数；自定义的注意力模块AT2；最近邻插值上采样，上采样倍数为原数图像两倍；最后一层为输入网络层数为16，输出网络层数为1，kernel为1的全卷积网络，后接Relu激活函数。输出预测密度图；
S232：构建像素注意力模块：将输入图像in二维卷积，输入通道等于输出通道，kernel为1，后接sigmoid函数处理得到out，最后输出为in和out的点乘加in；
S233：构建自定义层次化多尺度模块前端：输入为x，复制x通道数c。输入并行的四个不同方式提取特征，第一层卷积核大小为3，空洞卷积dilation为1，得到f1；第二层设置不同的卷积核和空洞卷积，得到f2；第三层设置不同的卷积核和空洞卷积，得到f3；第四层设置不同的卷积核和空洞卷积，得到f4；
S234：构建自定义层次化多尺度模块后端：截取f1，f2，f3前c/2通道为hf1、hf2、hf3，将hf1输入像素注意力模块，得到y1，将y1的前半数通道与下一层f2连接，二维卷积后通道数为c/2，输入像素注意力模块，得到y2，将y2的前半数通道与下一层f3连接，二维卷积后通道数为c/2，输入像素注意力模块，得到y3，将y3的前半数通道与下一层f4连接，二维卷积后通道数为c/4，输入像素注意力模块，得到y4；y1的后半通道、y2的后半通道、y3的后半通道、y4按通道连接后，得到输出y。
进一步的，在上述方法中，步骤S3包括：
S31：损失函数及参数设定：损失函数使用mse均方误差，使用Adam优化器，bitchsize设为1，学习率0.00001，epoch设为800；
S32：将处理后的高斯图输入层次化多尺度神经网络进行训练；
S33：加载训练出的网络参数，用测试集测试评价函数mae、mse大小，估算网络性能。
进一步的，在上述方法中，步骤S4包括以下步骤：
S41：将摄像头图像处理为小于1024乘1024像素；
S42：将处理后的摄像头图像输入层次化多尺度神经网络，得到预测人数y。
与现有技术相比，本发明的有益效果是：
1：本发明可以对大规模人群进行更加准确的人群数量估计；
2：本发明改进了经典卷积神经网络的结构，通过特征提取模块和自定义分层多尺度模块代替了简单的卷积网络层，使用Adam优化器对神经网络的初始权值阈值进行优化，加快了网络的收敛速度，贴近网络最优参数，增强了网络对不同特征的提取；
3：本发明在VGG16feature层提取特征的基础上，通过自定义分层多尺度模块，进一步提取了不同空间的特征信息，并提高网络对密集人群的注意力，克服了单一尺度特征提取不够全面的问题。
附图说明
图1是本发明一实施例的基于多尺度特征融合的人群计数检测方法的流程结构示意图；
图2是本发明一实施例的分层多尺度神经网络结构示意图；
图3是本发明一实施例的分层注意力模块结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供一种分层多尺度人群计数的方法，包括：
S1：获取数据集并进行预处理，以得到预处理后的数据集；
S2：构建层次化多尺度神经网络；
S3：基于所述预处理后的数据集，训练层次化多尺度神经网络并测试层次化多尺度神经网络有效性；
S4：获取摄像头图像，输入训练好的层次化多尺度神经网络进行测试，得到所述摄像头图像中的预测人数。
本发明能够适用于大规模场景时的人群数量检测，有效的提高检测结果准确性。本发明可用于大型集会及人群密集的旅游场所、商场等的人流量检测系统，利用单图片对当前图片人数进行预测，尤其在人数数量密集的情况下，本发明更加准确。
本发明的分层多尺度人群计数的方法一实施例中，步骤S1包括：
S11：下载公开数据集；
S12：将所述公开数据集分为测试集和训练集；
S13：将图像数据的宽高像素补充为8的倍数，并按比例调整定位图的位置；
S14：利用高斯核大小为25的高斯函数将定位图处理为密度图。
如图2所示，本发明的分层多尺度人群计数的方法一实施例中，步骤S2包括：
S21：前端网络提取特征：以VGG16的feature层作为特征提取层，kernel＝3，采用Conv2d卷积，每个卷积层后都加上Relu激活函数，层数为64、64、128、128，maxpooling(kernel＝2)，256、256、256，maxpooling(kernel＝2)，512、512、512，用此结构提取到特征feature。
S22：加载VGG16预训练参数。
S23：后端主干网络设计。
本发明的分层多尺度人群计数的方法一实施例中，步骤S23包括：
S231：后端主干网络为二维卷积，kernel为3，输入网络层数为512，输出网络层数为128，后接Relu激活函数；自定义的注意力模块AT1；最近邻插值上采样，上采样倍数为原数图像两倍；二维卷积，kernel为3，输入网络层数为128，输出网络层数为64，后接Relu激活函数；自定义的注意力模块AT2；最近邻插值上采样，上采样倍数为原数图像两倍；二维卷积，kernel为3，输入网络层数为64，输出网络层数为16，后接Relu激活函数；自定义的注意力模块AT2；最近邻插值上采样，上采样倍数为原数图像两倍；最后一层为输入网络层数为16，输出网络层数为1，kernel为1的全卷积网络，后接Relu激活函数。输出预测密度图；
如图3所示，S232：构建像素注意力模块：将输入图像in二维卷积，输入通道等于输出通道，kernel为1，后接sigmoid函数处理得到out，最后输出为in和out的点乘加in。通过此方式为每个像素点增加一个权重参数，从而提高精度。
S233：构建自定义层次化多尺度模块前端：输入为x，复制x通道数c。输入并行的四个不同方式提取特征，第一层卷积核大小为3，空洞卷积dilation为1，得到f1；第二层设置不同的卷积核和空洞卷积，得到f2；第三层设置不同的卷积核和空洞卷积，得到f3；第四层设置不同的卷积核和空洞卷积，得到f4。
S234：构建自定义层次化多尺度模块后端：截取f1，f2，f3前c/2通道为hf1，hf2，hf3。将hf1输入像素注意力模块，得到y1，将y1的前半数通道与下一层f2连接，二维卷积后通道数为c/2，输入像素注意力模块，得到y2，将y2的前半数通道与下一层f3连接，二维卷积后通道数为c/2，输入像素注意力模块，得到y3，将y3的前半数通道与下一层f4连接，二维卷积后通道数为c/4，输入像素注意力模块，得到y4。y1的后半通道、y2的后半通道、y3的后半通道、y4按通道连接后，得到输出y。
本发明的分层多尺度人群计数的方法一实施例中，步骤S3包括：
S31：损失函数及参数设定：损失函数使用mse均方误差，使用Adam优化器，bitchsize设为1，学习率0.00001，epoch设为800。
S32：将处理后的高斯图输入层次化多尺度神经网络进行训练。
S33：加载训练出的网络参数，用测试集测试评价函数mae、mse大小，估算网络性能。
如图3所示，本发明的分层多尺度人群计数的方法一实施例中，步骤S4包括以下步骤：
S41：将摄像头图像处理为小于1024乘1024像素。
S42：将处理后的摄像头图像输入层次化多尺度神经网络，得到预测人数y。
在此，利用摄像机获取图像数据，将图像数据处理为1024乘1024像素内，若为灰度图像则处理为RGB三通道图像，加载训练好的网络及其参数，输入图片，得到预测人数。
综上所述，本发明能够有效提取不同密集度人群的特征，同时将注意力集中到单个图片中人群数量密集的区域，解决单一尺度提取特征的特征不丰富问题，强化多个层次的特征图谱对于学习合适特征表达的现实意义。其特征在于以下步骤：
与现有技术相比，本发明的有益效果是：
1：本发明可以对大规模人群进行更加准确的人群数量估计；
2：本发明改进了经典卷积神经网络的结构，通过特征提取模块和自定义分层多尺度模块代替了简单的卷积网络层，使用Adam优化器对神经网络的初始权值阈值进行优化，加快了网络的收敛速度，贴近网络最优参数，增强了网络对不同特征的提取；
3：本发明在VGG16feature层提取特征的基础上，通过自定义分层多尺度模块，进一步提取了不同空间的特征信息，并提高网络对密集人群的注意力，克服了单一尺度特征提取不够全面的问题。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (6)

1.一种分层多尺度人群计数的方法，其特征在于，包括：
S1：获取数据集并进行预处理，以得到预处理后的数据集；
S2：构建层次化多尺度神经网络；
S3：基于所述预处理后的数据集，训练层次化多尺度神经网络并测试层次化多尺度神经网络有效性；
S4：获取摄像头图像，输入训练好的层次化多尺度神经网络进行测试，得到所述摄像头图像中的预测人数。
2.如权利要求1所述的分层多尺度人群计数的方法，其特征在于，步骤S1包括：
S11：下载公开数据集；
S12：将所述公开数据集分为测试集和训练集；
S13：将图像数据的宽高像素补充为8的倍数，并按比例调整定位图的位置；
S14：利用高斯核大小为25的高斯函数将定位图处理为密度图。
3.如权利要求1所述的分层多尺度人群计数的方法，其特征在于，步骤S2包括：
S21：前端网络提取特征：以VGG16的feature层作为特征提取层，kernel＝3，采用Conv2d卷积，每个卷积层后都加上Relu激活函数，层数为64、64、128、128，maxpooling(kernel＝2)，256、256、256，maxpooling(kernel＝2)，512、512、512，用此结构提取到特征feature；
S22：加载VGG16预训练参数；
S23：后端主干网络设计。
4.如权利要求3所述的分层多尺度人群计数的方法，其特征在于，步骤S23包括：
S231：后端主干网络为二维卷积，kernel为3，输入网络层数为512，输出网络层数为128，后接Relu激活函数；自定义的注意力模块AT1；最近邻插值上采样，上采样倍数为原数图像两倍；二维卷积，kernel为3，输入网络层数为128，输出网络层数为64，后接Relu激活函数；自定义的注意力模块AT2；最近邻插值上采样，上采样倍数为原数图像两倍；二维卷积，kernel为3，输入网络层数为64，输出网络层数为16，后接Relu激活函数；自定义的注意力模块AT2；最近邻插值上采样，上采样倍数为原数图像两倍；最后一层为输入网络层数为16，输出网络层数为1，kernel为1的全卷积网络，后接Relu激活函数。输出预测密度图；
S232：构建像素注意力模块：将输入图像in二维卷积，输入通道等于输出通道，kernel为1，后接sigmoid函数处理得到out，最后输出为in和out的点乘加in；
S233：构建自定义层次化多尺度模块前端：输入为x，复制x通道数c。输入并行的四个不同方式提取特征，第一层卷积核大小为3，空洞卷积dilation为1，得到f1；第二层设置不同的卷积核和空洞卷积，得到f2；第三层设置不同的卷积核和空洞卷积，得到f3；第四层设置不同的卷积核和空洞卷积，得到f4；
S234：构建自定义层次化多尺度模块后端：截取f1，f2，f3前c/2通道为hf1、hf2、hf3，将hf1输入像素注意力模块，得到y1，将y1的前半数通道与下一层f2连接，二维卷积后通道数为c/2，输入像素注意力模块，得到y2，将y2的前半数通道与下一层f3连接，二维卷积后通道数为c/2，输入像素注意力模块，得到y3，将y3的前半数通道与下一层f4连接，二维卷积后通道数为c/4，输入像素注意力模块，得到y4；y1的后半通道、y2的后半通道、y3的后半通道、y4按通道连接后，得到输出y。
5.如权利要求1所述的分层多尺度人群计数的方法，其特征在于，步骤S3包括：
S31：损失函数及参数设定：损失函数使用mse均方误差，使用Adam优化器，bitchsize设为1，学习率0.00001，epoch设为800；
S32：将处理后的高斯图输入层次化多尺度神经网络进行训练；
S33：加载训练出的网络参数，用测试集测试评价函数mae、mse大小，估算网络性能。
6.如权利要求1所述的分层多尺度人群计数的方法，其特征在于，步骤S4包括以下步骤：
S41：将摄像头图像处理为小于1024乘1024像素；
S42：将处理后的摄像头图像输入层次化多尺度神经网络，得到预测人数y。
CN202011642921.XA 2020-12-30 2020-12-30 分层多尺度人群计数的方法 Active CN112597964B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011642921.XA CN112597964B (zh) 2020-12-30 2020-12-30 分层多尺度人群计数的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011642921.XA CN112597964B (zh) 2020-12-30 2020-12-30 分层多尺度人群计数的方法

Publications (2)

Publication Number Publication Date
CN112597964A true CN112597964A (zh) 2021-04-02
CN112597964B CN112597964B (zh) 2021-10-22

Family

ID=75206729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011642921.XA Active CN112597964B (zh) 2020-12-30 2020-12-30 分层多尺度人群计数的方法

Country Status (1)

Country Link
CN (1) CN112597964B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139489A (zh) * 2021-04-30 2021-07-20 广州大学 基于背景提取和多尺度融合网络的人群计数方法及系统
CN113205078A (zh) * 2021-05-31 2021-08-03 上海应用技术大学 基于多分支递进强化注意力人群计数方法
CN113283356A (zh) * 2021-05-31 2021-08-20 上海应用技术大学 多级注意力尺度感知人群计数方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107133607A (zh) * 2017-05-27 2017-09-05 上海应用技术大学 基于视频监控的人群统计方法及系统
CN110020606A (zh) * 2019-03-13 2019-07-16 北京工业大学 一种基于多尺度卷积神经网络的人群密度估计方法
CN110263849A (zh) * 2019-06-19 2019-09-20 合肥工业大学 一种基于多尺度注意力机制的人群密度估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107133607A (zh) * 2017-05-27 2017-09-05 上海应用技术大学 基于视频监控的人群统计方法及系统
CN110020606A (zh) * 2019-03-13 2019-07-16 北京工业大学 一种基于多尺度卷积神经网络的人群密度估计方法
CN110263849A (zh) * 2019-06-19 2019-09-20 合肥工业大学 一种基于多尺度注意力机制的人群密度估计方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139489A (zh) * 2021-04-30 2021-07-20 广州大学 基于背景提取和多尺度融合网络的人群计数方法及系统
CN113139489B (zh) * 2021-04-30 2023-09-05 广州大学 基于背景提取和多尺度融合网络的人群计数方法及系统
CN113205078A (zh) * 2021-05-31 2021-08-03 上海应用技术大学 基于多分支递进强化注意力人群计数方法
CN113283356A (zh) * 2021-05-31 2021-08-20 上海应用技术大学 多级注意力尺度感知人群计数方法
CN113283356B (zh) * 2021-05-31 2024-04-05 上海应用技术大学 多级注意力尺度感知人群计数方法
CN113205078B (zh) * 2021-05-31 2024-04-16 上海应用技术大学 基于多分支递进强化注意力人群计数方法

Also Published As

Publication number Publication date
CN112597964B (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN112597964B (zh) 分层多尺度人群计数的方法
CN110210551B (zh) 一种基于自适应主体敏感的视觉目标跟踪方法
CN108764085B (zh) 基于生成对抗网络的人群计数方法
CN111723693B (zh) 一种基于小样本学习的人群计数方法
CN112396607B (zh) 一种可变形卷积融合增强的街景图像语义分割方法
CN112597985B (zh) 一种基于多尺度特征融合的人群计数方法
CN113283356B (zh) 多级注意力尺度感知人群计数方法
CN111738054B (zh) 一种基于时空自编码器网络和时空cnn的行为异常检测方法
CN107169994A (zh) 基于多特征融合的相关滤波跟踪方法
CN106815563B (zh) 一种基于人体表观结构的人群数量预测方法
CN113011329A (zh) 一种基于多尺度特征金字塔网络及密集人群计数方法
CN112818849B (zh) 基于对抗学习的上下文注意力卷积神经网络的人群密度检测算法
CN114360030A (zh) 一种基于卷积神经网络的人脸识别方法
CN111160356A (zh) 一种图像分割分类方法和装置
Hu et al. Parallel spatial-temporal convolutional neural networks for anomaly detection and location in crowded scenes
Zhu et al. Towards automatic wild animal detection in low quality camera-trap images using two-channeled perceiving residual pyramid networks
CN114299383A (zh) 基于密度图与注意力机制融合的遥感图像目标检测方法
CN115424209A (zh) 一种基于空间金字塔注意力网络的人群计数方法
Wei et al. MSPNET: Multi-supervised parallel network for crowd counting
CN110503049B (zh) 基于生成对抗网络的卫星视频车辆数目估计方法
CN116543333A (zh) 电力系统的目标识别方法、训练方法、装置、设备和介质
CN114494999B (zh) 一种双分支联合型目标密集预测方法及系统
CN113205078B (zh) 基于多分支递进强化注意力人群计数方法
Li et al. A new algorithm of vehicle license plate location based on convolutional neural network
CN116403152A (zh) 一种基于空间上下文学习网络的人群密度估计方法

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
GR01 Patent grant
GR01 Patent grant