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。

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

深度解密换脸应用 Deepfake

Deepfake 就是前一阵很火的换脸 App,从技术的角度而言,这是深度图像生成模型的一次非常成功的应用,这两年虽然涌现出了很多图像生成模型方面的论文,但大都...

4706
来自专栏达观数据

达观数据如何打造一个中文NER系统

1 NER简介 NER(Named Entity Recognition,命名实体识别)又称专名识别,是自然语言处理中常见的一项任务,使用的范围非常广。命名实体...

5699
来自专栏人工智能LeadAI

最全算法工程师面试题目整理(一)

1 基于每日用户搜索内容,假设只有少量已知商品的情况下,如何根据用户搜索内容获取平台内没有的新商品? ? ? 答案:这是一条类似于分词“新词获取问题”,答案是...

3636
来自专栏WOLFRAM

Wolfram 语言与计算型显微镜

1364
来自专栏人工智能头条

采用深度学习算法为Spotify做基于内容的音乐推荐

1264
来自专栏AI科技大本营的专栏

AI 技术讲座精选:数学不好,也可以学习人工智能(四)——图解张量

【AI100 导读】本文是《数学不好,也可以学习人工智能》系列的第四篇文章,主要内容围绕 Tensors(张量)展开。 ? 现在的你是否已经下载好 Tensor...

4406
来自专栏美团技术团队

【AI in 美团】深度学习在OCR中的应用

AI(人工智能)技术已经广泛应用于美团的众多业务,从美团App到大众点评App,从外卖到打车出行,从旅游到婚庆亲子,美团数百名最优秀的算法工程师正致力于将AI技...

1111
来自专栏量子位

手把手教你用Python实现自动特征工程

任何参与过机器学习比赛的人,都能深深体会特征工程在构建机器学习模型中的重要性,它决定了你在比赛排行榜中的位置。

1195
来自专栏AI研习社

简简单单,用 LSTM 创造一个写诗机器人

AI 研习社:人们已经给神经网络找到了越来越多的事情做,比如画画和写诗,微软的小冰都已经出版了一本诗集了。而其实训练一个能写诗的神经网络并不难,Automatt...

28013
来自专栏量子位

用Keras+TensorFlow,实现ImageNet数据集日常对象的识别

王新民 编译自 Deep Learning Sandbox博客 量子位 出品 | 公众号 QbitAI ? 在计算机视觉领域里,有3个最受欢迎且影响非常大的学术...

4208

扫码关注云+社区