Drone-based Object Counting by Spatially Regularized Regional Proposal Network ICCV2017 数据库:https://lafi.github.io/LPN/
本文主要使用CNN网络处理无人机拍摄的视频,同时完成对图像中的车辆检测和计数,新建了一个用无人机拍摄停车场的数据库 CARPK,含有近9万辆车 下面是一个示意图:
当前大多数目标计数方法使用回归方法给出一个数目,没有每个目标的位置信息。
3 Dataset
对于从空中拍摄车辆,目前主要有以下几个数据库:
4 Method Our object counting system employs a region proposal module which takes regularized layout structure into account. 我们的计数系统使用了一个含有 regularized layout structure 候选区域提取模块, 它是 全卷积网络,输入图像可以使任意尺寸
4.1. Layout Proposal Network
简单的来说就是如果某个位置其附近有较多车辆,那么该位置含有车辆的概率较大,如果其四周没有车辆,那么该位置含有车辆的概率较小
The structure of the Layout Proposal Networks
产生候选区域的方式和 RPN 是类似的,使用滑动窗口的方式,将特征输入到 two sibling 1 × 1 convolutional layers,一个分类,一个位置坐标回归。和 RPN 不同的地方在于损失函数的定义, The difference is that our loss function introduces the spatially regularized weights for the predicted boxes at each location.
4.2. Spatial Pattern Score 这个 pattern 主要是车辆在图像中的排列具有一定的规则,例如按照某个方向排列
5 Experiment
RPN+small:RPN training with the small default box size on conv4-3 layer
发布者:全栈程序员栈长,转载请注明出处:https://javaforall.cn/170581.html原文链接:https://javaforall.cn