基于深度神经网络与各向异性高斯核的海牛聚群计数
计算机视觉与模式识别
2023-12-05 v1
摘要
海牛是食量很大的水生哺乳动物。它们以海草为主要食物来源，常每天花费多达八小时觅食。它们行动缓慢且频繁在浅水区成群（即聚群）觅食，使其易受环境变化及其他风险影响。准确计数某一区域内的海牛聚群不仅在观察其习性上具生物学意义，也对制定人类船艇、潜水员等的安全规则以及安排看护、干预及其他计划至关重要。本文提出一种基于深度学习的 crowd counting（人群计数）方法，以低质量图像为输入自动计数区域内海牛数量。由于海牛形状独特且常成群滞留浅水，水面反射、遮挡、伪装等导致准确计数困难。为应对挑战，我们提出使用各向异性高斯核（AGK），其具有可调旋转与方差，以确保密度函数能最大限度捕捉不同聚群中个体海牛的形状。随后，我们将 AGK 核应用于主要为人群计数设计的多种深度神经网络，包括 VGG、SANet、Congested Scene Recognition network (CSRNet)、MARUNet 等，以学习海牛密度并计算场景中海牛数量。利用从监控视频提取的通用低质量图像，实验结果与对比表明基于 AGK 核的海牛计数取得了最小平均绝对误差（MAE）与均方根误差（RMSE）。所提方法在复杂背景环境下计数海牛聚群尤为有效。
引用
@article{arxiv.2311.02315,
title = {Counting Manatee Aggregations using Deep Neural Networks and Anisotropic Gaussian Kernel},
author = {Zhiqiang Wang and Yiran Pang and Cihan Ulus and Xingquan Zhu},
journal= {arXiv preprint arXiv:2311.02315},
year = {2023}
}
备注
18 pages, 8 figures, 2 tables, 3 algorithms, and it has been accepted for publication in Scientific Reports