人群计数--Switching Convolutional Neural Network for Crowd Counting

Switching Convolutional Neural Network for Crowd Counting CVPR2017 https://github.com/val-iisc/crowd-counting-scnn

针对人群密度估计问题提出了一个 Switch-CNN网络,大的思路就是根据图像块的内容信息来选择合适的CNN网络进行人群密度估计 首先将图像分成3*3=9 个图像块,然后使用一个 CNN网络对每个图像块进行分类,看它适合使用哪个CNN网络来进行密度估计,这里提供了3个CNN网络来进行密度估计。

对于图像中的人群密度,有的区域密度大,有的区域密度小,这里我们对图像进行分块处理

Switch-CNN

这里的三个CNN网络设计R1,R2,R3 和 文献【19】中的 MCNN 是一样的。 对于 switch classifier 我们以 VGG16网络为基础

Switch-CNN 的训练步骤如下所示

Ground Truth 我们采用和 文献【19】一样的方法生成密度真值图,使用 Gaussian geometry-adaptive kernels

Switch-CNN 的训练包括三个步骤: pretraining, differential training and coupled training 3.2. Pretraining 就是对三个 CNN regressors R 1 through R 3 进行独立的训练, regress density maps,每个网络的训练都是在所有训练数据上进行的。 3.3. Differential Training differential training generates three disjoint groups of training patches and each network is finetuned on its own group. The regressors R k are differentially trained until the validation accuracy plateaus. 这里我们将训练图像块进行分为三类,对应三个CNN网络需要的训练数据,然后再对每个CNN网络使用对应的数据集合进行微调

3.4. Switch Training The classifier is trained on the labels of multichotomy generated from differential training

3.5. Coupled Training we co-adapt the patch classifier and the CNN regressors by training the switch and regressors in an alternating fashion

4 Experiments

ShanghaiTech dataset

UCF CC 50 dataset

UCSD crowd-counting dataset WorldExpo’10 dataset

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏CVer

论文精读 | 目标检测之R-CNN

R-CNN作为R-CNN系列的开山鼻祖,其首次将CNN用于目标检测,在PASAL VOC 2010测试集上实现了53.7% mAP,也从此开启了R-CNN系列"...

691
来自专栏人工智能LeadAI

用TensorFlow做Kaggle“手写识别”达到98%准确率-详解

这是一个TensorFlow的系列文章,本文是第三篇,在这个系列中,你讲了解到机器学习的一些基本概念、TensorFlow的使用,并能实际完成手写数...

4279
来自专栏null的专栏

论文阅读——利用Binary Hash Codes的深度图像检索

这篇文章是阅读《Deep Learning of Binary Hash Codes for Fast Image Retrieval》后的总结,该文章提出了...

3564
来自专栏AI科技评论

大会 | AAAI论文:基于强化学习循环查找受关注区域的多标签图像识别

AI 科技评论按:近日,中山大学-商汤科技联合发表 AAAI2018 论文 「Recurrent Attentional Reinforcement Learn...

3746
来自专栏机器学习算法全栈工程师

目标检测算法之SSD

作者:叶 虎 编辑:祝鑫泉 前言 目标检测近年来已经取得了很重要的进展,主流的算法主要分为两个类型:(1)two-stage方法,如R-CNN系算法,其主...

3.2K6
来自专栏机器之心

学界 | 谷歌大脑提出自动数据增强方法AutoAugment:可迁移至不同数据集

2099
来自专栏杨熹的专栏

attention 机制入门

在下面这两篇文章中都有提到 attention 机制: 使聊天机器人的对话更有营养 如何自动生成文章摘要 今天来看看 attention 是什么。 下面这篇...

3728
来自专栏专知

【最新TensorFlow1.4.0教程03】利用Eager Execution构建和训练卷积神经网络(CNN)

【导读】主题链路知识是我们专知的核心功能之一,为用户提供AI领域系统性的知识学习服务,一站式学习人工智能的知识,包含人工智能( 机器学习、自然语言处理、计算机视...

3215
来自专栏企鹅号快讯

TensorFlow 从入门到放弃(一):卷积神经网络与TensorFlow实现

IT 领域的三角不可能定律:质量编程、速度编程、廉价编程。 ——麦杰克 · 索伊 导读:从本质上讲,我们在做回归或者分类的时候,就是把数据映射到一个或多个离散标...

20510
来自专栏机器学习算法与理论

【计算机视觉】目标检测方法汇总

1、 选择性搜索:方法:滑动窗口,规则块(利用约束进行剪枝)、选择性搜索(自底向上合并相邻的重叠区域) 一步步计算相似度 并且合并、剔除相似度的高的

812

扫码关注云+社区