1.一种尺度自适应感知的目标计数深度网络设计方法,其特征在于,所述方法包括以下步骤:步骤1:制作训练和测试样本集合,将每个图片的目标标注生成真实标签;
步骤2:将训练集和测试集的图片及其对应的真实标签进行尺寸调整;
步骤3:建立尺度自适应感知目标计数深度网络模型;
步骤4:将步骤2获得训练样本输入到步骤3建立的卷积网络模型中,通过Adam优化策略对网络进行参数学习;
步骤5:深度网络模型测试;网络经步骤4训练完成后,保留网络的卷积层的参数;将测试图片通过步骤1和步骤2操作后输入网络中,将步骤3中卷积层16的输出Pre_net求和,记为当前图片的目标数量;
所述步骤1具体如下:
步骤101:通过搜索引擎搜集一个特定目标有关的词汇搜索目标图片,或自行拍摄N张带有目标的图片;
步骤102:通过人工方式对步骤101的每张图片的每个目标进行标注,记录每个标注点的位置,进而建立一个特定目标相关数据集;
步骤103:首先将步骤102制作的数据集分为训练集和测试集;设数据集合总共有N个图片和与之对应的目标标注,记数据集合中的图片Dateset={I1,I2,...,IN}和与之对应的目标标注Labelset={l1,l2,...,lN};将前M个图片和它对应的目标标注设为训练集合,记训练图片为Traindate={I1,I2,...,IM}与之对应的标注Labeltrain={l1,l2,...,lM};同时将后N‑M个图片和它对应的目标标注设为测试集合;记测试图片为Testdate={IM+1,IM+2,...,IN}与之对应的标注Labeltest={lM+1,lM+2,...,lN};
步骤104:将步骤103中第i个图片Ii转换成高斯密度图deni(x),可通过下述的公式进行计算:其中 表示给定图片的坐标,xj表示标注的目标位置; 表示高斯
2
核,其中xj是均值向量和σ是方差项;如果x不在xj的领域范围内,令 此时第i个图片的标签li变换为deni(x);
步骤105:依次对步骤102中的第1张图片直至第N个图片执行步骤104的操作,将图片的标注转换成高斯密度图;从而将训练的标注Labeltrain映射为训练真实标签Labeltrain_new:Labeltrain_new={den1,den2,...,denM},将测试的标注Labeltest映射为测试真实标签Labeltest_new:Labletest_new={denM+1,denM+2,...,denN};
所述步骤2具体如下,
步骤201:将图片的尺寸调整为8的整数倍;记第i个图片Ii的尺寸大小为(pi,qi);图片通过插值的方式将尺寸大小调整为8的整数倍,记图片Ii调整后的尺寸大小(xi,yi);调整的计算公式为xi=(pi%8)×8和yi=(qi%8)×8,其中%表示整除操作;
步骤202:将与图片对应的高斯密度图也进行尺度调整;第i个图片Ii对应的真实标签deni(m)的尺寸大小为(pi,qi),通过步骤201中的调整计算公式后得到调整后真实标签den_newi(m)的大小(xi,yi);为了使得目标数量保持不变,对调整后的真实标签进行如下操作;
步骤203:依次对步骤105中的第1张图片直至第N个图片的真实标签执行步骤202的操作;
所述步骤3建立尺度自适应感知目标计数深度网络模型,网络的具体的模型给出如下:卷积层1:使用64个3×3的卷积核去卷积输入为x×y×3的图像,经过ReLU激活函数后得到x×y×64的特征;
卷积层2:使用64个3×3的卷积核去卷积卷积层1的输出,经过ReLU激活函数和2×2的最大值池化层后得到(x%2)×(y%2)×64的特征;
卷积层3:使用128个3×3的卷积核去卷积卷积层2的输出,经过ReLU激活函数后得到(x%2)×(y%2)×128的特征;
卷积层4:使用128个3×3的卷积核去卷积卷积层3的输出,经过ReLU激活函数和2×2的最大值池化层后得到(x%2)×(y%2)×128的特征;
卷积层5:使用256个3×3的卷积核去卷积卷积层4的输出,经过ReLU激活函数后得到(x%4)×(y%4)×256的特征;
卷积层6:使用256个3×3的卷积核去卷积卷积层5的输出,经过ReLU激活函数后得到(x%4)×(y%4)×256的特征;
卷积层6_0_1:使用64个1×1的卷积核去卷积卷积层6的输出,经过ReLU激活函数后得到(x%4)×(y%4)×64的特征;
卷积层6_0_2:使用64个3×3的卷积核去卷积卷积层6_0_1的输出,经过ReLU激活函数后得到(x%4)×(y%4)×64的特征;
卷积层6_0_3:使用exp(a1)/(exp(a1)+exp(a2)+exp(a3))乘以卷积层6_0_2的输出后得到(x%4)×(y%4)×64的特征;
卷积层6_1_1:使用64个1×1的卷积核去卷积卷积层6的输出,经过ReLU激活函数后得到(x%4)×(y%4)×64的特征;
卷积层6_1_2:使用64个5×5的卷积核(padding的大小为2)去卷积卷积层6_1_1的输出,经过ReLU激活函数后得到(x%4)×(y%4)×64的特征;
卷积层6_1_3:使用exp(a2)/(exp(a1)+exp(a2)+exp(a3))乘以卷积层6_1_2的输出后得到(x%4)×(y%4)×64的特征;
卷积层6_2_1:使用64个1×1的卷积核去卷积卷积层6的输出,经过ReLU激活函数后得到(x%4)×(y%4)×64的特征;
卷积层6_2_2:使用64个7×7的卷积核(padding的大小为3)去卷积卷积层6_2_1的输出,经过ReLU激活函数后得到(x%4)×(y%4)×64的特征;
卷积层6_2_3:使用exp(a3)/(exp(a1)+exp(a2)+exp(a3))乘以卷积层6_2_2的输出后得到(x%4)×(y%4)×64的特征;
聚集层1:将卷积层6_0_3的输出、卷积层6_1_3的输出和卷积层6_2_3的输出,沿着通道维级联,得到(x%4)×(y%4)×192的特征;
卷积层7:使用256个3×3的卷积核去卷积聚集层1的输出,经过ReLU激活函数层和2×2的最大值池化层后得到(x%8)×(y%8)×256的特征;
卷积层8:使用256个3×3的卷积核去卷积卷积层7的输出,经过ReLU激活函数后得到(x%8)×(y%8)×256的特征;
卷积层8_0_1:使用64个1×1的卷积核去卷积卷积层8的输出,经过ReLU激活函数后得到(x%8)×(y%8)×64的特征;
卷积层8_0_2:使用64个3×3的卷积核去卷积卷积层8_0_1的输出,经过ReLU激活函数后得到(x%8)×(y%8)×64的特征;
卷积层8_0_3:使用exp(b1)/(exp(b1)+exp(b2)+exp(b3))乘以卷积层8_0_2的输出后得到(x%8)×(y%8)×64的特征;
卷积层8_1_1:使用64个1×1的卷积核去卷积卷积层8的输出,经过ReLU激活函数后得到(x%8)×(y%8)×64的特征;
卷积层8_1_2:使用64个5×5的卷积核(padding的大小为2)去卷积卷积层8_1_1的输出,经过ReLU激活函数后得到(x%8)×(y%8)×64的特征;
卷积层8_1_3:使用exp(b2)/(exp(b1)+exp(b2)+exp(b3))乘以卷积层8_1_2的输出后得到(x%8)×(y%8)×64的特征;
卷积层8_2_1:使用64个1×1的卷积核去卷积卷积层8的输出,经过ReLU激活函数后得到(x%8)×(y%8)×64的特征;
卷积层8_2_2:使用64个7×7的卷积核(padding的大小为3)去卷积卷积层8_2_1的输出,经过ReLU激活函数后得到(x%8)×(y%8)×64的特征;
卷积层8_2_3:使用exp(b3)/(exp(b1)+exp(b2)+exp(b3))乘以卷积层8_2_2的输出后得到(x%8)×(y%8)×64的特征;
聚集层2:将卷积层8_0_3的输出、卷积层8_1_3的输出和卷积层8_2_3的输出,沿着通道维级联,得到(x%8)×(y%8)×192的特征;
卷积层9:使用256个3×3的卷积核去卷积聚集层2的输出,经过ReLU激活函数层和3×1×1的最大值池化层后得到(x%8)×(y%8)×256的特征;
卷积层10:使用256个3×3的卷积核去卷积聚集层2的输出,经过ReLU激活函数后得到(x%8)×(y%8)×256的特征;
卷积层11:使用256个3×3的卷积核去卷积卷积层10的输出,经过ReLU激活函数后得到(x%8)×(y%8)×256的特征;
卷积层12:使用256个3×3的卷积核去卷积卷积层11的输出,经过ReLU激活函数后得到(x%8)×(y%8)×256的特征;
卷积层13:使用256个3×3的卷积核去卷积卷积层12的输出,经过ReLU激活函数后得到(x%8)×(y%8)×256的特征;
卷积层14:使用256个3×3的卷积核去卷积卷积层13的输出,经过ReLU激活函数后得到(x%8)×(y%8)×256的特征;
卷积层15:使用256个3×3的卷积核去卷积卷积层14的输出,经过ReLU激活函数后得到(x%8)×(y%8)×256的特征;
卷积层16:使用1个1×1的卷积核去卷积卷积层15的输出,得到(x%8)×(y%8)×1的特征。
2.根据权利要求1所述的尺度自适应感知的目标计数深度网络设计方法,其特征在于,所述步骤4:将步骤2获得训练样本输入到步骤3建立的卷积网络模型中,通过Adam优化策略对网络进行参数学习,具体包含如下的步骤:步骤401:网络采取多任务的方式对网络参数进行训练,设置网络的初始学习率为l;
步骤402:记步骤3建立的网络模型的参数为Θ,其中步骤3中卷积层16的输出为Pre_net,网络中的运算表示为f(g),则网络的输出可表示为Pre_net=f(Θ);
使用步骤203给出的标签,对网络的参数进行学习,损失函数记为:
其中先将deni和den_newi(x)等同地平分成U个块,Tk、GTk分别表示deni和den_newi(x)第k个块;Tk.sum()表示对Tk里的元素求加和;abs(g)表示求绝对值;λ1,λ2是超参数。
3.根据权利要求2所述的尺度自适应感知的目标计数深度网络设计方法,其特征在于,网络经步骤4训练完成后,保留网络的卷积层的参数;将测试图片通过步骤1和步骤2操作后输入网络中,将步骤3中卷积层16的输出Pre_net求和,记为当前图片的目标数量。