面向尺度变化与孤立簇群的图像人群计数
计算机视觉与模式识别
2019-09-10 v1
摘要
人群计数是估计无约束拥挤场景图像中对象（如人或车辆）的数量。设计适用于广泛人群图像的通用人群计数算法具有挑战性，主要由于对象尺度可能存在大幅变化以及存在许多孤立的小簇群。先前基于多分支架构卷积操作的方法仅对部分较窄尺度范围有效，且因孤立簇群而未捕捉到长距离上下文关系。为此，我们提出 SACANet，一种新颖的尺度自适应长距离上下文感知人群计数网络。SACANet 由三个主要模块组成：提取长距离上下文信息并扩大感受野的金字塔上下文模块、获得高尺度敏感性和孤立簇群检测精度的尺度自适应自注意力多分支模块，以及融合多级自注意力特征的分层融合模块。借助组归一化，SACANet 在训练过程中实现了更好的最优性。我们使用 VisDrone2019 行人数据集、VisDrone2019 车辆数据集及其他一些具有挑战性的基准进行了大量实验。与最先进方法相比，SACANet 被证明是有效的，尤其对于具有多样尺度和分散簇群的极度拥挤条件，并且与基线相比实现了低得多的 MAE。
引用
@article{arxiv.1909.03839,
title = {Crowd Counting on Images with Scale Variation and Isolated Clusters},
author = {Haoyue Bai and Song Wen and S. -H. Gary Chan},
journal= {arXiv preprint arXiv:1909.03839},
year = {2019}
}
备注
Accepted at International Conference on Computer Vision (ICCV) 2019 Workshop