【技術實現步驟摘要】
本申請涉及圖像處理，特別是涉及一種人數檢測模型的訓練方法、裝置、計算機設備、計算機可讀存儲介質和計算機程序產品。
技術介紹
1、隨著社會的發展，越來越多的場景需要人群計算的需求，以在安全監控、商業決策等領域，提供數據支持，優化資源配置，推動相應發展。
2、傳統的人數檢測模型主要采用的模型包括，基于整體和局部檢測的滑動窗口檢測器，支持向量機、隨機森林模型。然而，這些方法適用于稀疏人群，但在人群密度增大、遮擋嚴重時效果不佳。在這些模型的基礎上，引入回歸方法，首先提取低級特征（如形狀、紋理等），再通過回歸模型預測人群數量。然而，該方法難以捕捉復雜場景下的高級語義特性，適用性有限。準確性仍然有待提高。
技術實現思路
1、基于此，有必要針對上述技術問題，提供一種能夠緩解標注的依賴，且提高準確性的人數檢測模型的訓練方法、裝置、計算機設備、計算機可讀存儲介質和計算機程序產品。
2、第一方面，本申請提供了一種人數檢測模型的訓練方法，所述方法包括：
3、獲取多個視角采集人群場景所得的無標注特征與已標注特征；
4、基于每組視角的所述無標注特征進行人數不確定度預測，得到每組視角對應的人數不確定度；所述每組視角含有的視角數量不同；
5、比較所述每組視角對應的人數不確定度，得到比較結果；
6、根據所述比較結果確定無標注損失；
7、根據所述無標注損失與所述已標注特征對應的已標注損失，對人數預測模型進行訓練。
8、在
9、基于前i個視角的所述無標注特征，對所述人群場景的人數不確定度進行預測，得到第i組視角人數不確定度；
10、基于前j個視角的所述無標注特征，對所述人群場景的人數不確定度進行預測，得到第j組視角人數不確定度；其中，i小于j，且i與j均是正整數。
11、在其中一個實施例中，所述比較所述每組視角對應的人數不確定度，得到比較結果，包括：
12、按照所述視角數量的大小，依次對所述每組視角對應的人數不確定度進行比較，得到依次獲取的每一比較結果；
13、所述根據所述比較結果確定無標注損失，包括：
14、依次基于所述每一比較結果，確定無標注損失。
15、在其中一個實施例中，所述每組視角對應的人數不確定度包括第i組視角人數不確定度與第j組視角人數不確定度，i小于j，且i與j均是正整數；
16、所述根據所述比較結果確定無標注損失，包括：
17、若所述第j組視角人數不確定度大于所述第i組視角人數不確定度，則根據所述第j組視角與所述第i組視角之間的人數不確定度差值，調整無標注損失；
18、若所述第j組視角人數不確定度小于所述第i組視角人數不確定度，則保持所述無標注損失。
19、在其中一個實施例中，所述根據所述第j組視角與所述第i組視角之間的人數不確定度差值，調整無標注損失，包括：
20、基于第j組視角人數不確定度，以及所述第i組視角人數不確定度進行差值計算，得到當前不確定度差值；
21、確定所述當前不確定度差值正相關的懲罰值；
22、根據所述懲罰值，對當前無標注損失進行調整，得到調整后的無標注損失。
23、在其中一個實施例中，所述根據所述無標注損失與所述已標注特征對應的已標注損失，對人數預測模型進行訓練之前，所述還包括：
24、基于前n個視角的所述已標注特征確定第n已標注預測人數與所述已標注預測人數的不確定度；
25、根據所述第n已標注預測人數與參考人數之間的均方誤差確定第n輔助任務損失；
26、根據所述第n已標注預測人數與所述參考人數之間的絕對差值確定第n參考不確定度，并根據所述第n已標注預測人數的不確定度與所述第n參考不確定度之間的均方誤差，確定第n有標注不確定度損失；
27、根據（k-1）個所述第n輔助任務損失與（k-1）個所述第n有標注不確定度損失，確定所述已標注損失；其中，n、k為整數，且n大于1，且n小于或等于（k-1），且k為所述視角的數量；
28、根據所述第k已標注預測人數與所述參考人數之間的均方誤差，確定主任務損失；所述第k已標注預測人數包括k個所述視角數量對應的已標注預測人數；
29、所述根據所述無標注損失與所述已標注特征對應的已標注損失，對人數預測模型進行訓練，包括：
30、根據所述無標注損失、所述已標注損失和所述主任務損失，對人數預測模型進行訓練。
31、在其中一個實施例中，所述方法還包括：
32、獲取所述人群場景的平面注記圖；所述平面注記圖包括多個像素點，每一像素點的像素值表示人數；
33、通過高斯核函數，將所述每一像素點的像素值替換為所述每一像素點的相鄰像素點的加權像素平均值，得到人數標記圖；所述人數標記圖中的像素值表示所述參考人數。
34、第二方面，本申請還提供了一種人數檢測模型的訓練裝置，包括：
35、獲取模塊，用于獲取多個視角采集人群場景所得的無標注特征與已標注特征；
36、預測模塊，用于基于每組視角的所述無標注特征進行人數不確定度預測，得到每組視角對應的人數不確定度；所述每組視角含有的視角數量不同；
37、比較模塊，用于比較所述每組視角對應的人數不確定度，得到比較結果；
38、調整模塊，用于根據所述比較結果確定無標注損失；
39、訓練模塊，用于根據所述無標注損失與所述已標注特征對應的已標注損失，對人數預測模型進行訓練。
40、第三方面，本申請還提供了一種計算機設備。所述計算機設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現上述任意實施例中人數檢測模型的訓練的步驟。
41、第四方面，本申請還提供了一種計算機可讀存儲介質。所述計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現上述任意實施例中人數檢測模型的訓練的步驟。
42、第五方面，本申請還提供了一種計算機程序產品。所述計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現上述任意實施例中人數檢測模型的訓練的步驟。
43、上述人數檢測模型的訓練方法、裝置、計算機設備、計算機可讀存儲介質和計算機程序產品，獲取人群場景在多個視角采集所得的無標注特征與已標注特征，且可通過多個視角減輕遮擋帶來的影響，有助于保障人數識別的準確性。進而通過基于每組視角的所述無標注特征進行人數不確定度預測，得到每組視角對應的人數不確定度，形成不同數目視角融合預測的方式，使得不同數目視角的無標注數據與有標注數據分別進行訓練，形成半監督的訓練模式，極大降低了對標注數據的依賴，且無需額外標注，能夠使得無標注特征結合人本文檔來自技高網...
【技術保護點】
1.一種人數檢測模型的訓練方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述基于每組視角的所述無標注特征進行人數不確定度預測，得到每組視角對應的人數不確定度，包括：
3.根據權利要求1所述的方法，其特征在于，所述比較所述每組視角對應的人數不確定度，得到比較結果，包括：
4.根據權利要求1所述的方法，其特征在于，所述每組視角對應的人數不確定度包括第i組視角人數不確定度與第j組視角人數不確定度，i小于j，且i與j均是正整數；
5.根據權利要求4所述的方法，其特征在于，所述根據所述第j組視角與所述第i組視角之間的人數不確定度差值，調整無標注損失，包括：
6.根據權利要求1所述的方法，其特征在于，所述根據所述無標注損失與所述已標注特征對應的已標注損失，對人數預測模型進行訓練之前，所述還包括：
7.根據權利要求6所述的方法，其特征在于，所述方法還包括：
8.一種人數檢測模型的訓練裝置，其特征在于，所述裝置包括：
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的方法的步驟。
...【技術特征摘要】
1.一種人數檢測模型的訓練方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述基于每組視角的所述無標注特征進行人數不確定度預測，得到每組視角對應的人數不確定度，包括：
3.根據權利要求1所述的方法，其特征在于，所述比較所述每組視角對應的人數不確定度，得到比較結果，包括：
4.根據權利要求1所述的方法，其特征在于，所述每組視角對應的人數不確定度包括第i組視角人數不確定度與第j組視角人數不確定度，i小于j，且i與j均是正整數；
5.根據權利要求4所述的方法，其特征在于，所述根據所述第j組視角與所述第i組視角之間的人數不確定度差值，調整無標注損失...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。