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: 2023102516907
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:

1.一种基于在线知识蒸馏网络的人群计数方法,其特征在于,包括以下步骤:S1:获取人群计数图像及生成对应的标签;

S2:对图像及标签进行预处理;

S3:构建在线知识蒸馏网络,包括共享浅层模块、教师强语义分支和学生精炼分支,所述共享浅层模块用于提取图像的基特征,所述教师强语义分支基于预训练参数捕捉图像的鲁棒语义特征;所述学生精炼分支通过通道递减来减少参数量,提升网络的推理速度;

S4:构建知识蒸馏策略,包括特征转换层、响应蒸馏、特征内蒸馏和特征间蒸馏;

S5:将图像及标签输入网络进行训练;

S6:将图像送入训练好的学生精炼分支,输出人群的个数;

所述S2具体包括:

S2-0:将图像进行随机裁剪;

S2-1:以预测概率对图像进行随机加噪声;

S2-2:以预设概率对图像进行随机水平翻转;

所述S3中的共享浅层模块具体包括:

共享浅层特征提取器,由若干卷积层堆叠形成,用于提取输入图像的基特征;

最大池化层,用于所述基特征的空间降采样;

所述S3中的教师强语义分支具体包括:第一卷积块特征提取器,由若干卷积层堆叠形成,用于基特征提取基本卷积特征;

第一最大池化层,用于所述第一卷积块特征提取器特征的空间降采样;

第二卷积块特征提取器,由若干卷积层堆叠形成,用于所述第一最大池化层输出特征提取基本卷积特征;

第二最大池化层,用于所述第二卷积块特征提取器特征的空间降采样;

第三卷积块特征提取器,由若干卷积层堆叠形成,用于所述第二最大池化层输出特征提取基本卷积特征;

所述S3中的学生精炼分支具体包括:

学生精炼分支卷积特征提取器,与教师强语义分支提取器结构相同,通道数减为1/n,n为正整数,用于所述学生精炼分支提取基本卷积特征;

所述S4中的特征转换层具体包括:

特征转换层,由卷积核为1×1的卷积层构成,用于将所述S3中的教师强语义分支不同阶段输出特征的通道转换,生成与所述S3中的学生精炼分支对应阶段的输出特征通道数相同的维度;

所述S4中的响应蒸馏具体包括:

Ls=1-SSIM(tN,s′N),其中

式中,和分别表示输入tN和s′N所有像素的平均值,和分别表示输入tN,s′N的方差,表示两输入tN和s′N的方差,c1和c2表示常数;

所述S4中的特征内蒸馏具体包括:

其中p(s′i)和p(ti)分别表示所述教师强语义分支和学生精炼分支不同阶段输出特征;

所述S4中的特征间蒸馏具体包括:

其中

式中表示元素级乘积,N表示教师强语义分支阶段输出的个数,ti∈Rc×h×w表示教师网络第i个阶段网络特征的输出,c,h,w分别表示特征的通道数,高度和宽度,将ti经过维度转换后得到σ(·)表示sigmoid操作,的计算与相同,进而得到学生网络不同阶段的关系矩阵。

2.根据权利要求1所述的基于在线知识蒸馏网络的人群计数方法,其特征在于:所述S5具体包括:S5-0:将S1的图像分为训练集合和验证集合;

S5-1:初始化网络的学习速率;

S5-2:将训练图像输入在线知识蒸馏网络,通过如下损失计算网络的损失,其中和分别表示教师强语义分支和学生精炼分支的均方差损失函数,α,β,δ分别表示超参数,S5-3:利用Adam优化器对网络的参数进行优化,保存验证集损失最小的网络参数,完成网络的训练。

3.根据权利要求2所述的基于在线知识蒸馏网络的人群计数方法,其特征在于:所述教师强语义分支的不同阶段具体包括:教师强语义分支的不同阶段分别表示第一最大池化层、第二最大池化层和第三卷积块特征提取器的特征。

4.一种在线知识蒸馏人群计数装置,包括处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器执行所述程序时实现权利要求1-3中任意一项所述的方法。