人群密度估计--CNN-based Cascaded Multi-task Learning of High-level Prior and Density Estimation for Crowd

CNN-based Cascaded Multi-task Learning of High-level Prior and Density Estimation for Crowd Counting International Conference on Advanced Video and Signal Based Surveillance (AVSS) 2017 Torch: https://github.com/svishwa/crowdcount-cascaded-mtl

本文主要解决人群密度估计问题中的 人群场景变化大的问题,人在场景中的尺度和外观变化范围大 the issue of large variations in scale and appearance of the objects that occurs due to severe perspective distortion of the scene

本文提出的解决思路是使用 CNN网络,并在网络中嵌入 high-level prior 先验知识 The aim of this work is to learn models that cater to a wide variety of density levels present in the data set by incorporating a high-level prior into the network.

所谓的 high-level prior 就是根据图像中的大致总人数将图像分类不同的若干类,本文将图像根据总人数分为10类 The high-level prior learns to classify the count into various groups whose class labels are based on the number of people present in the image.

这个 high-level prior 可以不受 scale variations 的影响 让我们能够对图像中总人数有一个大致的估计 By exploiting count labels, the high-level prior is able to estimate coarse count of people in the entire image irrespective of scale variations thereby enabling the network to learn more discriminative global features.

3 Proposed method

我们的CNN网络前两个卷积用于提取公用特征,接着网络一分为二,一个分支是用于 High-level prior stage,这个分支主要干什么了?Classifying the crowd into several groups, quantize the crowd count into ten groups and learn a crowd count group classifier which also performs the task of incorporating high-level prior into the network

第二个分支 接着使用四个卷积层提取特征,然后再综合 上个分支的特征,使用 fractionally strided convolutions 做特征图上采样,得到大尺度的密度估计图

目标损失函数: 1) cross-entropy loss function for the high-level prior stage

2) loss function for the density estimation stage

Ground truth density map 真值密度图的生成: calculated by summing a 2D Gaussian kernel centered at every person’s location x

4 Experimental results

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

来自专栏数据科学与人工智能

【机器学习】10 种机器学习算法的要点

前言 谷歌董事长施密特曾说过:虽然谷歌的无人驾驶汽车和机器人受到了许多媒体关注,但是这家公司真正的未来在于机器学习,一种让计算机更聪明、更个性化的技术。 也许我...

2347
来自专栏专知

【干货】Hinton最新 Capsule Networks 视频教程分享和PPT解读(附pdf下载)

【导读】10月26日,深度学习元老Geoffrey Hinton和他的团队NIPS2017 Capsule论文《Dynamic Routing Between ...

3537
来自专栏机器学习算法原理与实践

强化学习(五)用时序差分法(TD)求解

    在强化学习(四)用蒙特卡罗法(MC)求解中,我们讲到了使用蒙特卡罗法来求解强化学习问题的方法,虽然蒙特卡罗法很灵活,不需要环境的状态转化概率模型,但是它...

792
来自专栏达观数据

技术干货 | 达观数据推荐系统算法实践—重排序

互联网的出现和普及给用户带来了大量的信息,满足了用户在信息时代对信息的需求,但随着网络的迅速发展而带来的网上信息量的大幅增长,使得用户在面对大量信息时无法从中获...

3254
来自专栏数据科学与人工智能

【算法】10 种机器学习算法要点

小编邀请您,先思考: 1 你熟悉那些机器学习算法? 2 你如何应用机器学习算法? 前言 谷歌董事长施密特曾说过:虽然谷歌的无人驾驶汽车和机器人受到了许多媒体关注...

3459
来自专栏CSDN技术头条

推荐系统中基于深度学习的混合协同过滤模型

近些年,深度学习在语音识别、图像处理、自然语言处理等领域都取得了很大的突破与成就。相对来说,深度学习在推荐系统领域的研究与应用还处于早期阶段。 携程在深度学习与...

2319
来自专栏刘明的小酒馆

文本相似度算法小结

首先是最简单粗暴的算法。为了对比两个东西的相似度,我们很容易就想到可以看他们之间有多少相似的内容,又有多少不同的内容,再进一步可以想到集合的交并集概念。

57210
来自专栏AI科技大本营的专栏

测试数据科学家聚类技术的40个问题(附答案和分析)

本文作者 Saurav Kaushik 是数据科学爱好者,还有一年他就从新德里 MAIT 毕业了,喜欢使用机器学习和分析来解决复杂的数据问题。看看以下40道题目...

33510
来自专栏携程技术中心

个性化推荐沙龙 | 推荐系统中基于深度学习的混合协同过滤模型

董鑫,携程基础业务部BI团队高级算法工程师,博士毕业于上海交通大学计算机科学与技术系。 近些年,深度学习在语音识别、图像处理、自然语言处理等领域都取得了很大的突...

36313
来自专栏数据科学与人工智能

【数据分析】数据分析领域中最为人称道的七种降维方法|技术专区

近来由于数据记录和属性规模的急剧增长,大数据处理平台和并行数据分析算法也随之出现。于此同时,这也推动了数据降维处理的应用。实际上,数据量有时过犹不及。有时在数据...

2046

扫码关注云+社区