专栏首页机器学习、深度学习人群密度估计--Crowd Counting Via Scale-adaptive Convolutional Nerual Network

人群密度估计--Crowd Counting Via Scale-adaptive Convolutional Nerual Network

Crowd Counting Via Scale-adaptive Convolutional Nerual Network https://arxiv.org/abs/1711.04433v2 Code: https://github.com/miao0913/SaCNN-CrowdCounting-Tencent_Youtu

为了解决人群密度估计中的 scale and perspective 问题,先前研究者提出使用 多尺度卷积网络来解决多尺度问题 Multiple columns have different receptive fields corresponding to pedestrians (heads) of different scales 这里我们提出一个 尺度自适应CNN网络,只使用 3 ∗ 3 滤波器,结合CNN网络不同网络层的特征 a scale-adaptive CNN (SaCNN) architecture with a backbone of fixed small receptive fields. We use all 3 ∗ 3 filters in the network

输入输出图示

3 Scale-adaptive CNN 3.1. Ground truth density maps 每个人头我们使用一个 delta function 来表示,ground truth density map D(x) 由 delta function 和 一个 Gaussian kernel 卷积得到

N 表示图像中人头总数, The sum of the density map is equivalent to the total number of pedestrians in a crowd

3.2. Network architecture

The final density map therefore has a spatial resolution of 1/8 times of the input image.

3.3. Network loss Euclidean loss to measure the distance between the estimated density map and the ground truth

引入了一个新的损失函数,侧重于 解决图像中只有几个人的情况估计效果不好的问题 introduce another loss function regarding the head count We notice that most representative approaches perform poorly on crowd scenes with few pedestrians. 原来的损失函数不能解决这个问题的原因:because the absolute pedestrian number is usually not very large in sparse crowds compared to that in dense crowds

4 Experiments

我们的新数据库:特点 人少

ShanghaiTech dataset

WorldExpo’10 dataset & UCF CC 50 dataset

SmartCity dataset

下面是和 YOLO9000 对比,各有所长

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。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 统计学习导论 Chapter8 -- Tree-Based Methods

    Book: An Introduction to Statistical Learning with Applications in R http:...

    用户1148525
  • 语义分割--Global Deconvolutional Networks for Semantic Segmentation

    语义分割 Global Deconvolutional Networks for Semantic Segmentation BMVC 2016 ...

    用户1148525
  • 二值网络训练--A Empirical Study of Binary Neural Networks' Optimisation

    版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.n...

    用户1148525
  • 应用于人工智能学习价值的动态模型(CS)

    人工智能 (AI) 开发专家预测,智能系统和代理开发的进步将重塑我们社会的重要领域。然而,如果不谨慎、批判、反省地取得这样的进步,可能会给人类带来负面的结果。因...

    孙孙孙
  • 价值驱动的事后分析模型

    价值评估是强化学习范式的重要组成部分。如何有效地从数据中学习预测值的问题是RL社区研究的主要问题之一,不同的方法以不同的方式利用问题域的结构。模型学习可以利用观...

    用户7703613
  • 【NDN基础】Named Data Networking 学习笔记

    版权声明:本文为博主原创文章,转载请注明出处。 https://blog.csdn.net/gongxifacai_believe/artic...

    魏晓蕾
  • The curious tale of Bhutan’s playable record postage stamps

    Made of plastic and embossed with a melody, these tiny record stamps are among t...

    仇诺伊
  • 可穿戴触觉技术用于远程社交步行(Human-Computer Interaction)

    散步是健康生活中必不可少的活动,如果一起散步,就不会那么累,也会更愉快。我们在进行充分的体育锻炼时遇到的共同困难,例如缺乏动力,可以通过利用其社会方面来克服。然...

    用户6869393
  • 学术期刊出版的转型:从限制到开放性获取渠道(Digital Libraries)

    尽管互联网已经深刻地改变了传媒业大多数部门使用的商业模式,但令人惊讶的是,在同行评议的学术期刊上,商业模式几乎没有改变。电子递送已经成为了一种常态,但是和以前一...

    用户6869393
  • 【论文推荐】最新六篇强化学习相关论文—Sublinear、机器阅读理解、加速强化学习、对抗性奖励学习、人机交互

    WZEARW

扫码关注云+社区

领取腾讯云代金券