基于CNN的级联多任务高层先验与密度估计学习用于人群计数
计算机视觉与模式识别
2017-08-17 v2
摘要
在极度拥挤的场景中估计人群数量是一项极具挑战性的任务，原因在于非均匀的尺度变化。本文提出了一种新颖的端到端CNN级联网络，用于联合学习人群计数分类和密度图估计。将人群计数划分为不同组别，相当于对图像中的总人数进行粗略估计，从而将高层先验融入密度估计网络。这使得网络中的各层能够学习到全局相关的判别性特征，有助于估计出计数误差更低的高精细化密度图。联合训练以端到端的方式进行。在极具挑战性的公开数据集上的大量实验表明，与近期最先进的方法相比，所提出的方法实现了更低的计数误差和更高质量的密度图。
引用
@article{arxiv.1707.09605,
title = {CNN-based Cascaded Multi-task Learning of High-level Prior and Density Estimation for Crowd Counting},
author = {Vishwanath A. Sindagi and Vishal M. Patel},
journal= {arXiv preprint arXiv:1707.09605},
year = {2017}
}
备注
Accepted at AVSS 2017 (14th International Conference on Advanced Video and Signal Based Surveillance)