1.一种基于空间池化的轻量级ViT弱监督人群计数方法，其特征在于，包括以下步骤：步骤1：获取训练图像数据集并进行预处理，将数据集中的所有训练图像分割成不重叠的图像区域，并且将分割后的区域作为伪彩色处理的输入；

步骤1-1：载入图像数据

步骤1-2：计算出步骤1-1输入的纵向图像的纵向和横向缩放比例，将所述纵向图像的横纵缩放比互换并调整至指定大小，此时图像数据变为步骤1-3：计算出步骤1-1输入的横向图像的纵向和横向缩放比例，将所述横向图像的横纵缩放比互换并调整至指定大小，此时图像数据变为步骤1-4：将步骤1-2和步骤1-3的图像路径进行判断，若为训练数据则将步骤1-5：读取步骤1-4生成新文件夹的地址，制作npy文件，将裁切后的步骤2：对步骤1中分割后的图像区域进行伪彩色处理后，使用位置编码对图像区域进行平铺处理；

步骤2-1：首先对

步骤2-2：对图像

其中，补丁嵌入过程如公式(1)所示：

其中pos是块在图中的位置，i是补丁嵌入的位置，d步骤2-3：将每个块的位置进行编码后叠加到块上，得到转换后的图像块PE步骤3-1：对于步骤2中输入的块和位置编码进行空间池化操作，完成块混合，将X变化为块混合结果Y，进入步骤3-2；

步骤3-2：对Y中每个块使用非线性激活的双层MLP混合，MLP包含两个全连接层，一个激活层，和两个随机失活层，混合完成后Y变化为结果Z，进入步骤3-3；

步骤3-3：重复执行步骤3-1至步骤3-2，当混合次数达到一定值后将提取完的特征作为输入，进入步骤3-4；

步骤3-4：对步骤3-3的输出进行全局平均池化，然后通过一个线性分类器，输出一个特定维的向量；

步骤4：将提取的特征输入深度回归器中，预测人群数量，得到LCTrans-CC模型；

采用深度回归器来对步骤3的输出做回归预测，更换激活函数为LeakyReLU深度回归器的计算过程用公式(5)表示：Pre＝W

其中Pre为人群数量的预测值，Z为步骤3的输出，LeakyReLU(·)表示整流激活函数，步骤5：设定迭代次数M及最终轮次，使用L1损失来衡量预测值与真实值之间的差距，清空优化器的梯度缓存，进行反向传播并更新LCTrans-CC模型参数；

步骤6：检查训练图像数据集中所有图像是否都已经全部通过LCTrans-CC模型，若没有则返回步骤3，否则进入步骤7；

步骤7：若当前轮次大于M且小于最终轮次，且为一定倍数时进入测试流程，若等于最终轮次，输出最优权重文件，得到训练完成的LCTrans-CC模型，否则返回步骤3；

步骤8：利用训练好的LCTrans-CC模型进行人群数量预测。

2.根据权利要求1所述的一种基于空间池化的轻量级ViT弱监督人群计数方法，其特征在于，采用的块混合表示为公式(2)：Y＝TokenMixer(Norm(X))+X                     (2)其中Norm(·)表示归一化，TokenMixer(·)表示用于块信息融合的模块，由ViT中的空间MLP实现，非线性激活的双层MLP，表示为公式(3)：Z＝σ(Norm(Y)W

其中两个可学习特征

其中j和k分别为图像的横向和纵向的相对位置编码，T是平均池化输入的数据，T′为平均池化后的结果，

3.根据权利要求1所述的一种基于空间池化的轻量级ViT弱监督人群计数方法，其特征在于，步骤4具体包括：步骤4-1：将步骤3的输出，使用全连接层，使其变化为指定维度，进入步骤4-2；

步骤4-2：将步骤4-1的输出放入一个整流激活函数中，对输入数据中负值数据赋予一个系数值，进入步骤4-3；

步骤4-3：将步骤4-2中的输出放入一个随机丢弃层，在训练过程中学习多个独立的特征表示，进入步骤4-4；

步骤4-4：将上一步的输出放入一个全连接层，转换维度；

步骤4-5：如果此时的维度不是1，则返回步骤4-2，否则结束进入步骤5。

4.根据权利要求1-3任一所述的一种基于空间池化的轻量级ViT弱监督人群计数方法，其特征在于，步骤5中使用L1损失衡量模型在训练过程中的性能，L1损失的具体表达如公式(6)：其中n为训练图像的数量，对训练轮次中所有的预测值

5.根据权利要求1-3任一所述的一种基于空间池化的轻量级ViT弱监督人群计数方法，其特征在于，步骤7中测试流程包括以下步骤：步骤A：设置批处理大小为1，并创建一个用于测试的数据加载器，该加载器按顺序加载预处理过的测试数据，并对其进行数据标准化处理，并将模型切换到评估模式；

步骤B：初始化平均绝对误差和均方误差，进入步骤C；

步骤C：遍历验证数据加载器中的每个批次，将图像数据移动到显卡中，并根据输入数据的形状进行图像调整；

步骤D：在不计算梯度的情况下，将调整后的图像数据输入训练过程得到的模型并获得预测结果；累加预测结果以计算总人数，进入步骤E；

步骤E：计算批次中预测值与真实值之间的绝对误差和平方误差，与最小值比较，如果误差达到最小值，保存此时的模型权重文件，否则不做操作；完成测试后返回训练步骤。