[发明专利]图像目标计数的系统、方法及存储介质

权利要求书

1.一种图像目标计数的系统，其特征在于，包括相互连接的集成回归网络、多任务学习模块；

所述集成回归网络包括依次连接的特征学习子网络、回归子网络、预测模块；

所述特征学习子网络根据输入图像，输出图像的特征，并将特征划分为多个特征子集；

所述回归子网络设有多个，回归子网络的数量与特征子集的数量相匹配；回归子网络用于根据特征子集输出预测值；

所述预测模块用于根据多个回归子网络的预测值进行平均值运算，从而得到图像中目标的最终的计数预测值；

所述多任务学习模块用于为集成回归网络设置训练的损失函数；多任务学习模块分别与回归子网络、预测模块连接；

多任务学习模块中所述的损失函数由排序损失函数、负相关学习损失函数、计数损失函数组成。

2.根据权利要求1所述图像目标计数的系统，其特征在于，还包括训练数据库；

所述训练数据库与特征学习子网络连接，用于将存储的图像输入至特征学习子网络。

3.根据权利要求1所述图像目标计数的系统，其特征在于，预测模块用于对多个回归子网络的预测值进行平均值运算，并将所述平均值作为图像中的目标的计数预测值。

4.根据权利要求1所述图像目标计数的系统，其特征在于，多任务学习模块中所述损失函数L^total，由所述排序损失函数L^Rank、所述负相关学习损失函数L^NCL、所述计数损失函数L^Count分别赋予权重参数后进行累加组成，具体如下式所示：

L^total＝L^Rank+λL^NCL+μL^Count

其中，L^Rank的权重参数为1，λ为L^NcL的权重参数，μ为L^Count的权重参数。

5.根据权利要求4所述图像目标计数的系统，其特征在于，排序损失函数L^Rank的计算如下式所示：

其中，NDCG(x_i,)为根据图像的排序，计算的近似归一化折损累计增益，N为回归子网络的数量，max、min分别对应训练时所输入一组图像中标签值最大、最小的图像，i表示第几张图像，n表示第几个回归子网络。

6.根据权利要求5所述图像目标计数的系统，其特征在于，负相关学习损失函数L^NCL的计算公式如下式所示：

其中，M表示训练时向集成回归网络输入的一组图像的数量，n、m均表示对应第几个回归子网络，F_n(i)、F_m(i)分别表示在第i张图像上第n、m个回归子网络的预测值，(i)表示第i张图像在所有回归子网络上预测值的平均值。

7.根据权利要求6所述图像目标计数的系统，其特征在于，计数损失函数L^Count的计算公式如下式所示：

其中，d(i)表示第i张图像的真实计数值。