System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 计数模型的训练方法及装置制造方法及图纸_技高网

计数模型的训练方法及装置制造方法及图纸

技术编号:43896542 阅读:4 留言:0更新日期:2025-01-03 13:09
本申请提供了一种计数模型的训练方法及装置。该方法包括:将训练图像输入计数模型:通过主干网络处理训练图像,得到第一特征图、第二特征图、第三特征图和第四特征图;通过渐进式特征图金字塔网络处理第一特征图、第二特征图、第三特征图和第四特征图,得到第五特征图、第六特征图、第七特征图和第八特征图;通过头网络处理第五特征图、第六特征图、第七特征图和第八特征图,得到训练图像上目标对象的预测框和预测框的类别置信度;基于预测框、类别置信度、训练图像的标签和真实框,计算计数损失;依据计数损失优化计数模型的模型参数,以完成对计数模型的训练。采用上述技术手段,解决现有技术中,农作物计数准确率低的问题。

【技术实现步骤摘要】

本申请涉及机器学习,尤其涉及一种计数模型的训练方法及装置


技术介绍

1、目前计数应用比较常见的是人群计算和动物数量计数等,这些应用场景中需要计数的对象独立性较强或者区别较为明显,现有的计数算法或计数模型也是针对这些对象的。在农业生产中也经常需要对单位内的农作物计数,以了解出苗率,对提高农作物的产值有着重大意义。因为一般农作物都比较种植的比较密集,各株农作物之间还互相遮挡,如果直接使用现有的计数算法或计数模型必然准确率较低。


技术实现思路

1、有鉴于此,本申请实施例提供了一种计数模型的训练方法、装置、电子设备及计算机可读存储介质,以解决现有技术中农作物计数准确率低的问题。

2、本申请实施例的第一方面,提供了一种计数模型的训练方法,包括:构建坐标注意力网络和头网络,利用坐标注意力网络和残差网络构建主干网络,利用主干网络、渐进式特征图金字塔网络和头网络构建计数模型;获取关于目标对象的训练图像,将训练图像输入计数模型:通过主干网络处理训练图像,得到第一特征图、第二特征图、第三特征图和第四特征图;通过渐进式特征图金字塔网络处理第一特征图、第二特征图、第三特征图和第四特征图,得到第五特征图、第六特征图、第七特征图和第八特征图;通过头网络处理第五特征图、第六特征图、第七特征图和第八特征图,得到训练图像上目标对象的预测框和预测框的类别置信度;基于预测框、类别置信度、训练图像的标签和真实框,计算计数损失;依据计数损失优化计数模型的模型参数,以完成对计数模型的训练。

3、本申请实施例的第二方面,提供了一种计数模型的训练装置,包括:构建模块,被配置为构建坐标注意力网络和头网络,利用坐标注意力网络和残差网络构建主干网络,利用主干网络、渐进式特征图金字塔网络和头网络构建计数模型;第一处理模块,被配置为获取关于目标对象的训练图像,将训练图像输入计数模型:通过主干网络处理训练图像,得到第一特征图、第二特征图、第三特征图和第四特征图;第二处理模块,被配置为通过渐进式特征图金字塔网络处理第一特征图、第二特征图、第三特征图和第四特征图,得到第五特征图、第六特征图、第七特征图和第八特征图;第三处理模块,被配置为通过头网络处理第五特征图、第六特征图、第七特征图和第八特征图,得到训练图像上目标对象的预测框和预测框的类别置信度;计算模块,被配置为基于预测框、类别置信度、训练图像的标签和真实框,计算计数损失;优化模块,被配置为依据计数损失优化计数模型的模型参数,以完成对计数模型的训练。

4、本申请实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。

5、本申请实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。

6、本申请实施例与现有技术相比存在的有益效果是:因为本申请实施例通过构建坐标注意力网络和头网络,利用坐标注意力网络和残差网络构建主干网络,利用主干网络、渐进式特征图金字塔网络和头网络构建计数模型;获取关于目标对象的训练图像,将训练图像输入计数模型:通过主干网络处理训练图像,得到第一特征图、第二特征图、第三特征图和第四特征图;通过渐进式特征图金字塔网络处理第一特征图、第二特征图、第三特征图和第四特征图,得到第五特征图、第六特征图、第七特征图和第八特征图;通过头网络处理第五特征图、第六特征图、第七特征图和第八特征图,得到训练图像上目标对象的预测框和预测框的类别置信度;基于预测框、类别置信度、训练图像的标签和真实框,计算计数损失;依据计数损失优化计数模型的模型参数,以完成对计数模型的训练。采用上述技术手段,可以解决现有技术中,农作物计数准确率低的问题,进而提高农作物计数的准确率。

本文档来自技高网...

【技术保护点】

1.一种计数模型的训练方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,构建坐标注意力网络和头网络,包括:

3.根据权利要求1所述的方法,其特征在于,构建坐标注意力网络,包括:

4.根据权利要求1所述的方法,其特征在于,利用所述坐标注意力网络和残差网络构建主干网络,包括:

5.根据权利要求1所述的方法,其特征在于,通过所述头网络处理所述第五特征图、所述第六特征图、所述第七特征图和所述第八特征图,得到所述训练图像上目标对象的预测框和所述预测框的类别置信度,包括:

6.根据权利要求1所述的方法,其特征在于,基于所述预测框、所述类别置信度、所述训练图像的标签和真实框,计算计数损失,包括:

7.根据权利要求1所述的方法,其特征在于,依据所述计数损失优化所述计数模型的模型参数,以完成对所述计数模型的训练之后,所述方法还包括:

8.一种计数模型的训练装置,其特征在于,包括:

9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可在所述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计算机程序时实现如权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。

...

【技术特征摘要】

1.一种计数模型的训练方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,构建坐标注意力网络和头网络,包括:

3.根据权利要求1所述的方法,其特征在于,构建坐标注意力网络,包括:

4.根据权利要求1所述的方法,其特征在于,利用所述坐标注意力网络和残差网络构建主干网络,包括:

5.根据权利要求1所述的方法,其特征在于,通过所述头网络处理所述第五特征图、所述第六特征图、所述第七特征图和所述第八特征图,得到所述训练图像上目标对象的预测框和所述预测框的类别置信度,包括:

6.根据权利要求1所述的方法,其特征在于,基于所述预测框、所述类别置信度、所...

【专利技术属性】
技术研发人员:胡文骏师平
申请(专利权)人:北京龙智数科科技服务有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1