本公开实施例提供了一种对象统计模型的训练方法、对象统计方法及装置。该训练方法包括：获取训练样本数据集，其中，训练样本数据集中的训练样本包括训练图像以及训练图像的标签数据，其中，训练图像包括多个对象，对象包括动物和/或植物；将训练图像输入深度神经网络模型，输出预测密度图；根据预测密度图和标签数据计算损失函数，得到损失结果；以及根据损失结果迭代地调整深度神经网络模型的网络参数，生成经训练的对象统计模型。生成经训练的对象统计模型。生成经训练的对象统计模型。
【技术实现步骤摘要】
对象统计模型的训练方法、对象统计方法及装置
[0001]本公开涉实施例涉及计算机
，更具体地，涉及一种对象统计模型的训练方法、对象统计方法、对象统计模型的训练装置、对象统计装置、电子设备、计算机可读存储介质以及计算机程序产品。
技术介绍
[0002]在生态领域中，不同对象对生活环境的敏感性不同，从而可以根据某一对象的数量对生态环境做出一定的判别。例如鸟类因为其对生活环境的敏感性较强，从而被当作生态环境的指示物种，进而通过对自然保护区中关键区域中鸟类的数量能够反映出整个生态保护区的环境状况，以便及时制定出相应的保护政策。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下问题：人工统计对象数量的方式较为繁琐，人工成本较高。
技术实现思路
[0004]有鉴于此，本公开实施例提供了一种对象统计模型的训练方法、对象统计方法、对象统计模型的训练装置、对象统计装置、电子设备、计算机可读存储介质以及计算机程序产品。
[0005]本公开实施例的一个方面提供了一种对象统计模型的训练方法，包括
[0006]获取上述训练样本数据集，其中，上述训练样本数据集中的训练样本包括训练图像以及上述训练图像的标签数据，其中，上述训练图像包括多个对象，上述对象包括动物和/或植物；
[0007]将上述训练图像输入深度神经网络模型，输出预测密度图；
[0008]根据上述预测密度图和上述标签数据计算损失函数，得到损失结果；以及
[0009]根据上述损失结果迭代地调整上述深度神经网络模型的网络参数，生成经训练的上述对象统计模型。
[0010]根据本公开的实施例，上述深度神经网络模型包括特征提取层、卷积层、多个空洞卷积层、上采样层以及密度生成网络；
[0011]其中，上述将上述训练图像输入上述深度神经网络模型，输出预测密度图，包括：
[0012]将上述训练样本数据集输入上述特征提取层，输出第一特征图；
[0013]将上述第一特征图输入多个上述空洞卷积层，输出第二特征图；
[0014]将上述第二特征图输入卷积层，输出第三特征图；
[0015]将上述第三特征图输入上述上采样层，输出第四特征图；以及
[0016]将上述第四特征图输入上述密度生成网络，输出上述预测密度图。
[0017]本公开实施例的另一个方面提供了一种对象统计方法，包括：
[0018]获取目标图像，其中，上述目标图像包括多个对象，上述对象包括动物和/或植物；以及
[0019]将上述目标图像输入对象统计模型，得到识别结果，其中，上述识别结果包括统计密度图；
[0020]其中，上述对象统计模型方法是基于如上所述的方法训练的。
[0021]根据本公开的实施例，上述目标图像的数量包括多个；
[0022]上述方法还包括：
[0023]利用对象统计模型将多个上述密度图合并成密度总图；以及
[0024]根据上述密度总图生成统计数据。
[0025]根据本公开的实施例，上述对象统计方法还包括：
[0026]获取多个拍摄图像，其中，上述拍摄图像包括多个上述对象；
[0027]对多个上述拍摄图像进行预处理，得到待识别图像，其中，上述待识别图像为超分辨率图像；以及
[0028]对上述待识别图像进行裁剪处理，得到多个上述目标图像。
[0029]根据本公开的实施例，上述目标图像的数量为N个，上述目标图像的数量N的计算公式如下所示：
[0030][0031]其中，x表征待识别图像的真实长度像素值，y表征待识别图像的真实高度像素值，x0表征预设长度像素值，y0表征预设高度像素值，a表征待识别图像的真实长度像素值除以预设长度像素值并向下取整得到的整数，b表征待识别图像的真实长度像素值除以预设长度像素值并向上取整得到的整数，m表征待识别图像的真实长度像素值除以预设长度像素值所得的余数，λ为预设常数，表征对真实高度像素值进行调整的比例。
[0032]根据本公开的实施例，上述对上述待识别图像进行裁剪处理，得到多个上述目标图像，包括：
[0033]在上述待识别图像的像素尺寸不满足预设条件的情况下，调整上述待识别图像的像素尺寸，得到调整后的待识别图像；以及
[0034]对上述调整后的待识别图像进行裁剪处理，得到多个上述目标图像。
[0035]根据本公开的实施例，上述目标图像包括图像编号；
[0036]上述对象统计方法还包括：
[0037]根据每个上述目标图像的上述图像编号，对多个上述目标图像进行拼接，以生成输出图像。
[0038]根据本公开的实施例，上述对多个上述拍摄图像进行预处理，得到待识别图像，包括：
[0039]利用统计方法对多个上述拍摄图像进行筛选，以得到筛选后的拍摄图像；以及
[0040]对多个上述筛选后的拍摄图像进行拼接，得到上述待识别图像。
[0041]根据本公开的实施例，上述动物包括鸟类。
[0042]本公开实施例的另一个方面提供了一种对象统计模型的训练装置，包括：
[0043]第一获取模块，用于获取上述训练样本数据集，其中，上述训练样本数据集中的训练样本包括训练图像以及上述训练图像的标签数据，其中，上述训练图像包括多个对象，上述对象包括动物和/或植物；
[0044]第一输出模块，用于将上述训练图像输入深度神经网络模型，输出预测密度图；
[0045]第二输出模块，用于根据上述预测密度图和上述标签数据计算损失函数，得到损失结果；以及
[0046]生成模块，用于根据上述损失结果迭代地调整上述深度神经网络模型的网络参数，生成经训练的上述对象统计模型。
[0047]本公开实施例的另一个方面提供了一种对象统计装置，包括：
[0048]第二获取模块，用于获取目标图像，其中，上述目标图像包括多个对象，上述对象包括动物和/或植物；以及
[0049]得到模块，用于将上述目标图像输入对象统计模型，得到识别结果，其中，上述识别结果包括统计密度图；
[0050]其中，上述对象统计模型方法是基于如上所述的方法训练的。
[0051]本公开实施例的另一个方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法。
[0052]本公开实施例的另一个方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
[0053]本公开实施例的另一个方面提供了一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
[0054]根据本公开的实施例，通过对深度神经网络模型进行训练得到对象统计模型，从而可以利用对象统计模型对动物和/或植物的密度进行预测，所以至少部分地克服本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种对象统计模型的训练方法，包括获取所述训练样本数据集，其中，所述训练样本数据集中的训练样本包括训练图像以及所述训练图像的标签数据，其中，所述训练图像包括多个对象，所述对象包括动物和/或植物；将所述训练图像输入深度神经网络模型，输出预测密度图；根据所述预测密度图和所述标签数据计算损失函数，得到损失结果；以及根据所述损失结果迭代地调整所述深度神经网络模型的网络参数，生成经训练的所述对象统计模型。2.根据权利要求1所述的方法，其中，所述深度神经网络模型包括特征提取层、卷积层、多个空洞卷积层、上采样层以及密度生成网络；其中，所述将所述训练图像输入所述深度神经网络模型，输出预测密度图，包括：将所述训练样本数据集输入所述特征提取层，输出第一特征图；将所述第一特征图输入多个所述空洞卷积层，输出第二特征图；将所述第二特征图输入卷积层，输出第三特征图；将所述第三特征图输入所述上采样层，输出第四特征图；以及将所述第四特征图输入所述密度生成网络，输出所述预测密度图。3.一种对象统计方法，包括：获取目标图像，其中，所述目标图像包括多个对象，所述对象包括动物和/或植物；以及将所述目标图像输入对象统计模型，得到识别结果，其中，所述识别结果包括统计密度图；其中，所述对象统计模型方法是基于如权利要求1至2任一项所述的方法训练的。4.根据权利要求3所述的方法，其中，所述目标图像的数量包括多个；所述方法还包括：利用对象统计模型将多个所述密度图合并成密度总图；以及根据所述密度总图生成统计数据。5.根据权利要求3所述的方法，还包括：获取多个拍摄图像，其中，所述拍摄图像包括多个所述对象；对多个所述拍摄图像进行预处理，得到待识别图像，其中，所述待识别图像为超分辨率图像；以及对所述待识别图像进行裁剪处理，得到多个所述目标图像。6.根据权利要求5所述的方法，其中，所述目标图像的数量为N个，所述目标图像的数量N的计算公式如下所示：
其中，x表征待识别图像的真实长度像素值，y表征待识别图像的真实高度像素值，x0表征预设长度像素值，y0表征预设高度像素值，a表征待识别图像的真实长度像素值除以预设长度像素值并向下取整得到的整数，b表征待识别图像的真实长度像素值除以预设长度像素值并向上取整得到的整数，m表征待识别图像的真实长度像素值除以预设长度像素值所得的余数，λ为预设常数，表征对真实高度像...
【专利技术属性】
技术研发人员：王洪昌，鉴海防，鲁华祥，
申请(专利权)人：中国科学院半导体研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。