一种用于人群计数的改进归一化可变形卷积
计算机视觉与模式识别
2022-09-07 v1
摘要
近年来，人群计数已成为计算机视觉中的一个重要问题。在大多数方法中，密度图通过对 ground-truth 点图（标注于人头中心附近）进行高斯核卷积生成。由于 CNN 中固定的几何结构以及不清晰的人头尺度信息，人头特征获取不完整。可变形卷积被提出以利用 CNN 特征在人头上的尺度自适应能力。通过学习采样点的坐标偏移，可较容易地提升调整感受野的能力。然而，在可变形卷积中，采样点对人头的覆盖并不均匀，导致人头信息丢失。为处理非均匀采样，本文提出一种改进的归一化可变形卷积（即 NDConv），由归一化可变形损失（即 NDloss）实现。受 NDloss 约束的采样点偏移趋于更均匀。进而，人头中的特征被更完整地获取，带来更优性能。特别地，所提 NDConv 是一个轻量模块，与可变形卷积计算负担相近。在大量实验中，我们的方法在 ShanghaiTech A、ShanghaiTech B、UCF_QNRF 和 UCF_CC_50 数据集上优于 SOTA 方法，分别取得 61.4、7.8、91.2 和 167.2 MAE。代码见 https://github.com/bingshuangzhuzi/NDConv
引用
@article{arxiv.2206.08084,
title = {An Improved Normed-Deformable Convolution for Crowd Counting},
author = {Xin Zhong and Zhaoyi Yan and Jing Qin and Wangmeng Zuo and Weigang Lu},
journal= {arXiv preprint arXiv:2206.08084},
year = {2022}
}