人群分析--Beyond Counting: Comparisons of Density Maps for Crowd Analysis Tasks

Beyond Counting: Comparisons of Density Maps for Crowd Analysis Tasks - Counting, Detection, and Tracking https://arxiv.org/abs/1705.10118

基于人群密度图估计的人群分析,这里我们主要对比各种 CNN-based density estimation methods 用于 counting, detection, and tracking,我们得到的结论是 high-quality density maps 对于 detection 和 tracking 都是有帮助的。

基于密度图估计的计数思想最早是由文献【3】提出的 Maximum Excess over Sub Array (MESA) distance。 随后各种 CNN 来估计密度图

本文主要考虑两个CNN网络生成 full-resolution density maps:CNN-pixel 和 FCNN-skip

对于 CNN-pixel,我们使用一个 classic CNN regressor for pixel-wise density prediction 也就是说用滑动窗口的方式来得到每个像素的预测结果 given an image patch, predict the density at the center pixel. The full-resolution density map is obtained using a sliding window to obtain density values for all pixels inside the ROI.

对于 Fully Convolutional Architecture: hole convolution 的效果要比 FCNN-skip 差

C. Detection from Density Maps 根据密度图来做检测,首先是文献【11】提出的

D. Improving Tracking with Density Maps 用密度图来改善跟踪

Experiments 实验使用的数据库:

UCSD dataset

Summary In summary, CNN-pixel performs best on various metrics, including compactness, localization MAE, and temporal smoothness. This suggests that using full-resolution perpixel prediction of the density map can improve detection and tracking. In contrast, reduced-resolution maps that require either fixed upsampling (CNN-patch and MCNN) or learned upsampling-convolution (FCNN-skip and MCNN-up) had worse quality metrics, resulting in poorer detection/tracking accuracy. The downsampling operations in the CNN obfuscate the true position of the people in the reduced-resolution maps. This loss of spatial information can only be partially compensated using learned upsampling and skip connections.

However, dense prediction suffers from higher computational complexity, compared to fully-convolutional networks

一句话: CNN-pixel 效果好但是计算量大

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AI研习社

AI 助你无码看片,生成对抗网络(GAN)大显身手

作为一名久经片场的老司机,早就想写一些探讨驾驶技术的文章。这篇就介绍利用生成式对抗网络(GAN)的两个基本驾驶技能: 1) 去除(爱情)动作片中的马赛克 2) ...

7483
来自专栏专知

【专知荟萃11】GAN生成式对抗网络知识资料全集(理论/报告/教程/综述/代码等)

生成对抗网络(GAN)专知荟萃 一、理论学习 二、报告 三、教程 四、综述 五、中文博客资料 六、Github资源以及模型 七、最新研究论文 一、理论学习 训...

4058
来自专栏专知

【论文推荐】最新七篇图像分割相关论文—域适应深度表示学习、循环残差卷积、二值分割、图像合成、无监督跨模态

2785
来自专栏大数据挖掘DT机器学习

python文本相似度计算

步骤 分词、去停用词 词袋模型向量化文本 TF-IDF模型向量化文本 LSI模型向量化文本 计算相似度 理论知识...

3336
来自专栏CreateAMind

令人拍案叫绝的Wasserstein GAN(WGAN两篇论文的中文详细介绍)

如阅读体验不好,可直接跳到文末阅读原文访问原文链接 https://zhuanlan.zhihu.com/p/25071913 查看。

1914
来自专栏专知

【论文推荐】最新五篇图像分割相关论文—R2U-Net、ScatterNet混合深度学习、分离卷积编解码、控制、Embedding

【导读】专知内容组整理了最近五篇图像分割(Image Segmentation)相关文章,为大家进行介绍,欢迎查看! 1. Recurrent Residual...

4693
来自专栏专知

【论文推荐】最新五篇信息抽取相关论文—端到端深度模型、调研、聊天机器人、自注意力、科学文本

【导读】专知内容组整理了最近五篇信息抽取(Information Extraction)相关文章,为大家进行介绍,欢迎查看! 1.Joint Recogniti...

37610
来自专栏专知

【论文推荐】最新七篇图像描述生成相关论文—CNN+CNN、对抗样本、显著性和上下文注意力、条件生成对抗网络、风格化

31112
来自专栏机器之心

资源 | 如何开启深度学习之旅?这三大类125篇论文为你导航(附资源下载)

选自Github 作者:songrotek 机器之心编译 参与:晏奇、黄小天 如果你现在还是个深度学习的新手,那么你问的第一个问题可能是「我应该从哪篇文章开始...

2866
来自专栏人工智能LeadAI

python专业方向 | 文本相似度计算

步骤 1、分词、去停用词 2、词袋模型向量化文本 3、TF-IDF模型向量化文本 4、LSI模型向量化文本 5、计算相似度 理论知识 两篇中文文本,如何计算相似...

5607

扫码关注云+社区