利用辅助信息适配卷积神经网络的人群计数

计算机视觉任务通常有可用的辅助信息来帮助解决任务。例如，对于人群计数，相机视角（例如，相机角度和高度）提供了场景中人物外观和尺度的线索。虽然辅助信息已被证明对使用传统手工特征的系统有用，但它尚未在基于深度学习的计数系统中得到充分利用。为了结合可用的辅助信息，我们提出了一种自适应卷积神经网络（ACNN），其中卷积滤波器权重通过辅助信息适配当前场景上下文。具体而言，我们将滤波器权重建模为在滤波器权重高维空间内由辅助信息参数化的低维流形。借助辅助信息和自适应权重，ACNN 能够解开与辅助信息相关的变化，并提取与当前上下文相关的判别性特征。由于现有的人群计数数据集不包含真实的辅助信息，我们收集了一个新的数据集，其中以真实的相机角度和高度作为辅助信息。在人群计数实验中，与参数数量相近的普通 CNN 相比，ACNN 提高了计数精度。我们还将 ACNN 应用于图像反卷积，以展示其在其他计算机视觉应用上的潜在有效性。