用于鲁棒人群计数的边界紧缩网络

人群计数是一个基础课题，旨在估计监控摄像机传回的拥挤图像或视频中的个体数量。近期工作侧重于提高计数精度，而忽略了计数模型的认证鲁棒性。在本文中，我们提出了一种用于鲁棒人群计数的新型边界紧缩网络(Bound Tightening Network, BTN)。它由三部分组成：基础模型、平滑正则化模块和认证边界模块。其核心思想是通过基础模型传播区间边界(认证边界模块)，并利用层权重(平滑正则化模块)来指导网络学习。在不同计数基准数据集上的实验证明了BTN的有效性和高效性。