基于点监督的贝叶斯损失用于人群计数估计

在人群计数数据集中，每个人由一个点标注，通常为头部中心。该任务为估计人群场景中的总人数。大多数最先进的方法基于密度图估计，其通过高斯核将稀疏点标注转换为“真值”密度图，并用作学习目标训练密度图估计器。然而，由于遮挡、透视效应、目标形状变化等，此类“真值”密度图并不完善。相反，我们提出贝叶斯损失（Bayesian loss），一种从点标注构建密度贡献概率模型的新颖损失函数。所提训练损失不对密度图中每个像素的值进行约束，而是在每个标注点处对计数期望采用更可靠的监督。无需额外技巧，该损失函数在所有测试数据集上相较基线损失均有实质性改进。此外，我们提出的损失函数配合标准骨干网络，在不使用任何外部检测器或多尺度架构的情况下，优于现有最优方法。在最新且最大的 UCF-QNRF 数据集上，我们的方法以较大优势超越先前最佳方法。源代码见 \url{https://github.com/ZhihengCV/Baysian-Crowd-Counting}。