关注计数:基于自适应容量多尺度 CNN 的人群计数
计算机视觉与模式识别
2019-08-27 v2
摘要
由于人群分布的大幅变化,人群计数是一项具有挑战性的任务。以往方法倾向于用单一固定结构处理整幅图像,无法应对具有不同人群密度的多样复杂场景。因此,我们提出自适应容量多尺度卷积神经网络(ACM-CNN),一种新颖的人群计数方法,可为输入的不同部分分配不同容量。其直觉在于,模型应聚焦于输入图像的重要区域,并根据人群密集程度优化其容量分配。ACM-CNN 由三类模块组成:粗网络、细网络和平滑网络。粗网络通过计数注意力机制探索需关注的区域,并生成粗略特征图。随后细网络将感兴趣区域处理为精细特征图。为缓解融合带来的割裂感,设计平滑网络将两特征图有机结合以生成高质量密度图。在五个主流数据集上进行了充分实验。结果证明了所提模型在密度估计与人群计数任务上的有效性。
引用
@article{arxiv.1908.02797,
title = {Attend To Count: Crowd Counting with Adaptive Capacity Multi-scale CNNs},
author = {Zhikang Zou and Yu Cheng and Xiaoye Qu and Shouling Ji and Xiaoxiao Guo and Pan Zhou},
journal= {arXiv preprint arXiv:1908.02797},
year = {2019}
}
备注
Accepted to Neurocomputing, code will be released soon