[發(fā)明專(zhuān)利]一種基于生成式對(duì)抗網(wǎng)絡(luò)模型的人數(shù)估計(jì)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811415565.0
• 申請(qǐng)日: 2018-11-26
• 公開(kāi)（公告）號(hào): CN109522857B
• 公開(kāi)（公告）日: 2021-04-23
• 發(fā)明（設(shè)計(jì)）人: 元輝;賀黎恒
• 申請(qǐng)（專(zhuān)利權(quán)）人: 山東大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 濟(jì)南金迪知識(shí)產(chǎn)權(quán)代理有限公司 37219
• 代理人: 楊樹(shù)云

1.一種基于生成式對(duì)抗網(wǎng)絡(luò)模型的人數(shù)估計(jì)方法，其特征在于，所述生成式對(duì)抗網(wǎng)絡(luò)模型包括三個(gè)子網(wǎng)絡(luò)，包括生成器網(wǎng)絡(luò)判別網(wǎng)絡(luò)回歸網(wǎng)絡(luò)生成器網(wǎng)絡(luò)包括四個(gè)連續(xù)的卷積+批歸一化+最大池化和一個(gè)卷積+批歸一化；判別網(wǎng)絡(luò)包括四個(gè)連續(xù)的上采樣+卷積組成，在判別網(wǎng)絡(luò)的輸出得到密度圖的估計(jì)值；回歸網(wǎng)絡(luò)是一個(gè)全連接網(wǎng)絡(luò)；回歸網(wǎng)絡(luò)有四個(gè)不同的輸入，包括：生成器網(wǎng)絡(luò)經(jīng)過(guò)第二個(gè)卷積+批歸一化+最大池化之后的輸出，生成器網(wǎng)絡(luò)經(jīng)過(guò)第三個(gè)卷積+批歸一化+最大池化之后的輸出，生成器網(wǎng)絡(luò)經(jīng)過(guò)第四個(gè)卷積+批歸一化+最大池化之后的輸出，生成器網(wǎng)絡(luò)經(jīng)過(guò)最后一個(gè)卷積+批歸一化之后的輸出；回歸網(wǎng)絡(luò)的四個(gè)不同的輸入分別經(jīng)過(guò)不同的SE-Net之后得到四個(gè)被重賦權(quán)重的輸入，將這四個(gè)被重賦權(quán)重的輸入輸入到一個(gè)三層的全連接網(wǎng)絡(luò)，得到人數(shù)的預(yù)測(cè)值；包括步驟如下：

A、訓(xùn)練過(guò)程

(1)獲取多尺度數(shù)據(jù)，多尺度數(shù)據(jù)是指多尺度數(shù)據(jù)訓(xùn)練集(I,M,C)，每個(gè)樣本用(I_i,M_i,C_i)表示，即I_i表示圖像i，M_i表示圖像i的密度圖，C_i表示圖像i中的人數(shù)；

(2)用生成器網(wǎng)絡(luò)產(chǎn)生圖像的特征圖集合：

(3)用判別網(wǎng)絡(luò)產(chǎn)生估計(jì)密度圖：

(4)用SE-Net提取注意力特征：

(5)用注意力特征給特征圖重新賦予權(quán)重；

(6)用回歸網(wǎng)絡(luò)計(jì)算圖像中人的數(shù)量；

(7)網(wǎng)絡(luò)訓(xùn)練；

B、測(cè)試過(guò)程：

利用步驟(7)所得的網(wǎng)絡(luò)參數(shù)初始化網(wǎng)絡(luò)，把測(cè)試圖像作為網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)直接輸出圖像中的人數(shù)。

2.根據(jù)權(quán)利要求1所述的一種基于生成式對(duì)抗網(wǎng)絡(luò)模型的人數(shù)估計(jì)方法，其特征在于，所述步驟(2)中，用生成器網(wǎng)絡(luò)產(chǎn)生圖像的特征圖集合，包括步驟如下：

a、采用8個(gè)尺度為3×3、16個(gè)尺度為3×3的矩陣作為卷積核，采用隨機(jī)正交矩陣初始化所述卷積核，隨機(jī)正交矩陣是由[0，1]上的均勻分布的隨機(jī)數(shù)矩陣經(jīng)過(guò)SVD分解所得；分別采用不同的卷積核對(duì)新的圖像集合I的輸入圖像進(jìn)行卷積，并分別依次進(jìn)行批規(guī)范化處理、線性整流激活函數(shù)、最大池化，得到輸出圖像集合即特征圖集合

b、采用32個(gè)尺度為3×3的矩陣作為卷積核，采用隨機(jī)正交矩陣初始化所述卷積核，采用該卷積核對(duì)特征圖集合進(jìn)行卷積，并依次進(jìn)行批規(guī)范化處理、線性整流激活函數(shù)、最大池化，得到輸出圖像集合即特征圖集合

c、采用64個(gè)尺度為3×3的矩陣作為卷積核，采用隨機(jī)正交矩陣初始化所述卷積核，采用該卷積核對(duì)特征圖集合進(jìn)行卷積，并依次進(jìn)行批規(guī)范化處理、線性整流激活函數(shù)、最大池化，得到輸出圖像集合即特征圖集合

d、采用128個(gè)尺度為3×3的矩陣作為卷積核，采用隨機(jī)正交矩陣初始化所述卷積核，采用該卷積核對(duì)特征圖集合進(jìn)行卷積，并依次進(jìn)行批規(guī)范化處理、線性整流激活函數(shù)、最大池化，得到輸出圖像集合即特征圖集合I_g。

3.根據(jù)權(quán)利要求2所述的一種基于生成式對(duì)抗網(wǎng)絡(luò)模型的人數(shù)估計(jì)方法，其特征在于，所述步驟(3)中，用判別網(wǎng)絡(luò)產(chǎn)生估計(jì)密度圖，包括步驟如下：

采用64個(gè)尺度為3×3、32個(gè)尺度為3×3、16個(gè)尺度為3×3、8個(gè)尺度為3×3的矩陣作為卷積核，采用隨機(jī)正交矩陣初始化這些卷積核；對(duì)特征圖集合I_g進(jìn)行上采樣處理，并分別采用不同的卷積核對(duì)上采樣處理后的特征圖集合I_g進(jìn)行卷積，得到輸出的圖像即新的圖像集合I的輸入圖像對(duì)應(yīng)的估計(jì)密度圖。