欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022106235838
申请人: 南京林业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于双路径特征增强网络的均匀分布目标计数方法,其特征在于,所述方法包括以下步骤:步骤S10:获取样本,生成均匀分布标签及掩膜标签,将数据分为训练集、验证集和测试集;

步骤S20:搭建双路径特征增强网络;所述双路径特征增强网络由基础网络和双路径特征增强模块组成;

步骤S30:通过建立的训练集对网络进行训练,以分布标签和掩膜标签为监督信号,对网络的参数进行优化,在训练的过程中,利用验证集选择最优的网络参数保存;

步骤S40:利用最优的网络参数在测试集进行测试,获得样本的计数结果;

其中,步骤S20中基础网络采用VGG 16前10层,其中这10层卷积的参数初始化使用在ImageNet数据集上预训练的参数;

步骤S20中双路径特征增强模块,具体如下:

步骤S20-1:将基础网络获取的特征通过共享的卷积层进行转换,得到特征张量Fshare;

步骤S20-2:将步骤S20-1的输出Fshare送入卷积层,获得掩膜估计输出Kout,通过步骤S10-3获取的掩膜标签进行监督学习;

步骤S20-3:将步骤S20-2的输出Mout,通过卷积学习的方式生成掩膜特征表示FM;

步骤S20-4:将步骤S20-1的输出Fshare,通过卷积学习的操作生成单通道的空间注意力Fatt;

步骤S20-5:将基础网络获取的特征通过一系列卷积层进行转换,得到特征张量Fp;

步骤S20-6:将S20-3、S20-4和S20-5的输出,通过下述公式对特征进行增强:Dmp=Fatt*g(cat(Fp,FM))+g(cat(Fp,FM))式中,g(·)表示卷积操作,cat(·,·)表示延通道维拼接。

2.根据权利要求1所述的基于双路径特征增强网络的均匀分布目标计数方法,其特征在于,步骤S10中,具体如下:步骤S10-1:利用标注软件对样本中目标逐一进行点标注,获得样本标注;

步骤S10-2:将步骤S10-1的样本标注转换成均匀分布标签;

步骤S10-3:将步骤S10-2的均匀分布标签转换成掩膜标签。

3.根据权利要求2所述的基于双路径特征增强网络的均匀分布目标计数方法,其特征在于,步骤S10-2中转换均匀分布标签,计算公式如下:式中,表示给定图片的坐标,pj表示第j个标注目标位置di为样本对应标注点的集合,δ表示当前目标位置给定的领域,默认为奇数,表示标注目标位置pj对应的δ邻域位置像素点的集合。

4.根据权利要求2所述的基于双路径特征增强网络的均匀分布目标计数方法,其特征在于,步骤S10-3中均匀分布标签转换成掩膜标签,计算公式如下:式中,Dmi(y)表示均匀分布标签中像素点坐标为y处的值,Mi(y)表示掩膜标签中像素点坐标为y处的值。

5.根据权利要求4所述的基于双路径特征增强网络的均匀分布目标计数方法,其特征在于,步骤S20-2通过掩膜标签进行监督学习的损失:式中λ1是超参。

6.根据权利要求5所述的基于双路径特征增强网络的均匀分布目标计数方法,其特征在于,步骤S20-6通过均方误差损失进行均匀分布标签的学习,损失给定如下:式中λ2是超参。

7.根据权利要求1所述的基于双路径特征增强网络的均匀分布目标计数方法,其特征在于,步骤S30中对网络的参数进行优化,通过Adam优化器对网络参数进行学习。

8.根据权利要求1所述的基于双路径特征增强网络的均匀分布目标计数方法,其特征在于,步骤S30中利用验证集选择最优的网络参数保存,是通过计算网络输出与真实标签的平均绝对误差,选择平均绝对误差最小的网络参数保存。