[发明专利]基于全卷积网络的轻量化人群计数方法

权利要求书

1.一种基于全卷积网络的轻量化人群计数方法，所述的全卷积网络包括编码器结构、解码器结构和预测层三部分，其中编码器结构包括4层瓶颈模块bottlenecker，解码器结构包含4个CRP模块和3个FUSION模块；其特征在于步骤如下：

步骤1：将图片经过一个步长为2的1×1卷积和一个步长为2的3×3最大池化层后得到一个特征图

步骤2：特征图V¹经过4层瓶颈模块bottlenecker，分别于每一层瓶颈模块后输出一个特征图：

步骤3：将特征图V^b4通过链式残差池化模块CRP，从CRP模块输出的特征图连同特征图V^b3会被一同传送进融合模块FUSION；经过FUSION模块的融合特征会被送入CRP模块，从CRP模块输出的特征图连同编码器的第二层输出的特征图V^b2会被一同传送进融合模块FUSION，经过FUSION模块的融合特征会被送入CRP模块；从CRP模块输出的特征图连同编码器的特征图V^b1会被一同传送进融合模块FUSION，经过FUSION模块的融合特征会被送入CRP模块；

所述的融合模块FUSION包括两条路径，每条路径的开始都包含一个1×1卷积，低分辨率特征图输入的路径包含一个上采样操作，该操作会将低分辨率特征图进行上采样操作映射到另一条路径中特征图的高分辨率；然后两条路径的特征图会有一个加和的操作；

步骤4：将步骤3解码器结构输出的特征图传送给预测层，预测层首先包含一个1×1卷积，将输入特征图中每个像素位置的d维特征向量转变成相应的密度值；然后将得到的密度图通过双线性插值的上采样操作恢复到原始图像的大小，得到最终输出密度图，密度图的每个像素位置的数值之和即为该图片的人数。

2.根据权利要求1所述的一种基于全卷积网络的轻量化人群计数方法，其特征在于在训练阶段，把最终得到的密度图特征作回归训练，计算获得的密度图上的预测人数和该图像真实的标记人数的之间平均绝对误差MAE和均方误差MSE，并将该误差作为模型参数训练反向传播的依据及最佳模型的选取参照标准：

其中，根据图片估计的人数，标记的真实人数；

在测试及最终应用阶段，该模型对于每张图片的输出为步骤4中提及的一张该图片对应的密度图和该图片对应的预测人数。