1.一种基于密集网络的多任务卷积神经网络顾客行为分析方法，含有以下步骤：(1)清洗数据：

步骤11：除去训练集中带大量马赛克的图片；

使用BOT2018新零售技术挑战赛的数据集，共有5000张图片，其中含有对应的标注JSON文件，与图片一一对应；使用9:1的分类方式，将5000张图片分成两份，一份是训练集，一份是测试集，训练集共有图片4500张，测试集共有图片500张；

步骤12：除去训练集中模糊行人；

本次数据集包含的标注含有以下部分，人物坐标(xmin,ymin,xmax,ymax)，性别，职位(顾客导购)，姿势(站坐)，是否玩手机；需要对dataloader进行如下修改；对ImageDataset类进行多属性读取，设置变量position1存储xmin,ymin，设置变量position2存储xmax,ymax，设置变量gender,staff,customer,stand,sit,phone分别与其对应；将切割后的行人图片与属性相对应搭配起来；

(2)构建密集网络多任务卷积神经网络；

步骤21：构建Dense_Block结构；

Dense_Block是由于想增加信息的流动提出来的一个模块，用于处理多个特征图信息输入，并输出适合的信息；

一开始的Dense_Block采用的是一个BN层，接着一个ReLU层和一个3*3的卷积层；其中BN层和ReLu层是用来增加模型的科学习程度的，减少梯度消失等神经网络常用的问题，3*3卷积层是用来提取特征，并输出特征图的；

由于多个特征图信息输入可能会带来输入维度过大的问题，需要在3*3卷积层前加入

1*1卷积层作为Bottleneck_layer，减少输入维度；

步骤22：构建Transition_Layer模块；

Transition_Layer模块的作用是做卷积操作和降采样操作；其中，这些模块加入到两个Dense_Block模块之间作为改变特征图大小的方法；

Transition_Layer模块包括如下两个部分，首先是一个BN层，接着是一个1*1的卷积层和一个2*2的平均池化层；

步骤23：构建特征提取模块；

利用步骤21、步骤22的Bottleneck模块搭建轻量化的特征提取模块：首先，对于输入大小为224*224的图像，第一层conv1是一个卷积核大小为7*7，步长为

2，输出大小为112*112的特征图；之后是一个3*3的卷积层，步长为2，输出大小为56*56的特征图；

第二层是一个Dense_Block模块，其中是由Dense_Block堆叠而成；总共包含6个Dense_Block模块；输出特征图大小为56*56；

第三层是一个Transition_Layer模块，其中先经过1*1卷积层，输出特征图大小为56*

56，之后经过一个2*2的平均池化层，步长为2；输出特征图大小为28*28；

第四层由12个Dense_Block模块组合得到，其中输出特征图大小为28*28；

第五层由一个Transition_Layer组成，其中先经过1*1卷积层，输出特征图大小为28*

28，之后经过一个2*2的平均池化层，步长为2；输出特征图大小为14*14；

第六层由24个Dense_Block模块组合得到，其中输出特征图大小为14*14；

第七层由一个Transition_Layer组成，其中先经过1*1卷积层，输出特征图大小为14*

14，之后经过一个2*2的平均池化层，步长为2；输出特征图大小为7*7；

第八层由16个Dense_Block模块组合得到，其中输出特征图大小为7*7；

最后得到一个维度为1024的特征向量，该向量作为网络提取的图像特征供步骤24使用；

步骤24：构建多任务卷积神经网络；

在步骤23提取特征之后加入6个并行的全连接层，6个全连接层连接在步骤23所得到的特征向量上，彼此间互不相连；其中每个全连接层包含两个分类，分别为男性/女性，是/否导购，是/否顾客，是/否站姿，是/否坐姿，是/否玩手机；两个分类用来表示属性的置信度；

最后对这6个全连接层采用6个Cross Entropy Loss损失函数进行约束，公式如下：通过6个全连接层计算得到的损失值分别记为：L1，L2，L3，L4，L5，L6最终得到的损失值为：Loss＝L1+L2+L3+L4+L5+L6       (2)(3)训练密集网络多任务卷积神经网络：

步骤31：数据预处理：

首先将需要将数据进行处理，由于数据的不平衡性，需要对数据进行数据增强；首先是转换成224*224的大小，再接着使用随机水平翻转，最后转化为Tensor之后进行一个标准化处理；

步骤32：预训练模型：

加载步骤(2)构建的卷积神经网络，采用Adam优化算法，根据6个损失值之和进行反向传播，优化神经网络里面的参数；预训练中每个批次大小为64，学习率为0.001，总共训练60个epoch；

步骤33：微调模型：

从步骤32中加载在测试集中精度最高的模型，调整学习率为0.0005，并采用权重衰减

1e-6，继续利用Adam算法继续训练40个epoch。