大会 | CVPR 18论文:基于空洞卷积神经网络的高密度人群理解方法

AI 科技评论按:本文作者为美国伊利诺伊大学(UIUC)张晓帆,他为 AI 科技评论撰写了基于 CVPR 录用论文《CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes》的独家解读稿件,未经许可不得转载。

论文地址: https://arxiv.org/pdf/1802.10062.pdf

来自北京邮电大学和美国伊利诺伊大学(UIUC)的研究者们提出一种适用于密集人群计数的空洞卷积神经网络模型 CSRNet。该网络模型摆脱以往广泛应用于人群计数的多通道卷积网络方案,在大幅削减网络参数量和网络训练难度的同时,显著提升了人群计数的精度和人群分布密度图的还原度。该研究已被 CVPR 2018 接收。

人群计数和人群密度估计有着重要的安防应用场景。随着城市人口的日益增长,在地铁站,商场,各种节日集会中,超额聚集的人群带来潜在危险,极容易造成踩踏、骚乱等悲剧。因此,人群计数和人群的密度分布估计成为安防领域的热门课题。近年来,人群计数的算法性能在与深度学习的结合下得到了很大的提升。

人群计数的目的是找出特定场景中的人数,而人群密度分布估计需要获取空间密度信息和人数(密度图求和)。人群计数的难点在于,场景的变化跨度大,目标的尺度变化不尽相同,人和人、人和景物之间存在不同程度的遮挡等等。如图 1 所示,三张图均包含了 95 人,但是他们的空间分布完全不同。

图 1 人群计数场景

作者研究发现,被广泛运用在人群计数上的多通道卷积网络(MCNN)存在着结构冗余、参数繁多、训练困难的局限性。此类多通道卷积网络在不同通道上采取大小不等感受域的卷积网络,以适应不同场景(如高、中、低密集程度)的人群计数需要。但研究发现,不同通道学习到的特征重合度很高(图 2),并没有因场景密集程度不同而出现明显差异。多通道网络表现冗余。为作对比,作者采用一个参数更少、更深层、更易训练的单通道卷积网络(A deeper CNN),获得比多通道网络更好的效果(表 1)。

图 2 多通道卷积网络中的大、中、小通道在 ShanghaiTech PartA 中的测试表现相似

表 1 更深的单通道卷积网络使用较少参数却在 ShanghaiTech PartA 中获得更小误差

此外,作者为了避免过度使用降采样而导致密度图的分辨率损失,在网络的后半部分引入了空洞卷积层,利用空洞卷积增大感受域并维持分辨率(图 3),并提出 CSRNet 网络模型(表 2)。CSRNet 后端四组不同的配置在 ShanghaiTech PartA 中性能测试如表 3。

图 3 使用卷积+池化+上采样(上)与空洞卷积(下)输出同样分辨率图像,空洞卷积可保留更多图像细节

表 2 CSRNet 网络结构,卷积以参数命名为(conv kernel size – channel – dilation rate)

表 3 CSRNet 的四种后端配置在人群计数中精度对比,其中方案 B 精度最高

由于采用比多通道网络更简单的结构,CSRNet 在训练时可直接采用端到端训练并快速复现实验结果,也可利用迁移学习提高训练效果。得益于简单、规整的网络结构,CSRNet 对硬件实现更加友好,可以高效地部署在物联网设备中。

实验表明,CSRNet 在四个公开人群数据集(ShanghaiTech dataset、the UCF CC 50 dataset、the WorldEXPO'10 dataset、the UCSD dataset)和一个车辆数据集(TRANCOS dataset)上均达到了最高水平的精确度(State-of-the-art Performance),详见表 4 至表 8。

表 4 ShanghaiTech 数据集测试结果

表 5 UCF CC 50 数据集测试结果

表 6 WorldExpo' 10 数据集测试结果

表 7 UCSD 数据集测试结果

表 8 TRANCOS 数据集测试结果

原文发布于微信公众号 - AI科技评论(aitechtalk)

原文发表时间:2018-03-07

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

来自专栏机器之心

业界 | OpenAI提出新型元学习方法EPG,调整损失函数实现新任务上的快速训练

选自OpenAI 机器之心编译 参与:路雪、刘晓坤 刚刚,OpenAI 提出一种实验性元学习方法 Evolved Policy Gradients(EPG),该...

3439
来自专栏人工智能头条

计算机视觉需要更多几何洞察

1694
来自专栏企鹅号快讯

除了深度学习,你还应该了解这些发展方向

译者|严子怡 编辑|Emily AI 前线导读:毫无疑问,AI 的终极未来是达到并超越人类的智能。但是,这是一个非常遥远的目标。即使我们之中最乐观的人,也只敢打...

2036
来自专栏小詹同学

深入浅出谈谈深度学习~

深度学习第①篇(文末附大量资料) ? 一、深度学习的起源与概念 深度学习的概念由Hinton等人于2006年提出。深度学习可以简单理解为传统神经网络的拓展。如下...

3366
来自专栏IT派

IBM长文解读人工智能、机器学习和认知计算

导语:人类对如何创造智能机器的思考从来没有中断过。期间,人工智能的发展起起伏伏,有成功,也有失败,以及其中暗藏的潜力。今天,有太多的新闻报道是关于机器学习算法的...

32714
来自专栏SIGAI学习与实践平台

机器学习-波澜壮阔40年

人工智能的再次兴起让机器学习(Machine Learning)这个名词进入了公众的视野,它成为当前解决很多人工智能问题的核心基石。

561
来自专栏CDA数据分析师

业界 | 作画、写诗、弹曲子,AI还能这么玩?

随着深度学习取得的成功,算法研究已经进入了另一个人类认为不受自动化技术影响的领域:创造引人入胜的艺术品。

892
来自专栏进击的程序猿

基于隐变量的推荐模型基于隐变量的推荐模型

上一篇介绍了协同过滤,其重点就是在人-物品矩阵上,其中心思想是去对人或者物品进行聚类,从而找到相似人或者相似物品,用群体的智慧为个人进行推荐,但是,这种近邻模型...

1133
来自专栏AI科技评论

学界|北京大学王立威教授:机器学习理论的回顾与展望(一)

本文由奕欣,夏睿联合编辑。 AI科技评论按:本文根据王立威教授在中国人工智能学会AIDL第二期人工智能前沿讲习班*机器学习前沿所作报告《机器学习理论:回顾与展望...

33111
来自专栏前沿技墅

迁移学习:让Deep Learning快速落地

3749

扫码关注云+社区