使用深度循环空间感知网络进行人群计数
计算机视觉与模式识别
2018-07-03 v1
摘要
从无约束场景图像中进行人群计数是城市监控与管理等许多实际应用中的关键任务,但它受到相机视角导致的人员尺度与旋转巨大外观变化的严重挑战。传统方法借助固定的多尺度架构应对此类挑战,这些架构往往无法覆盖大范围变化的尺度,同时忽略了旋转变化。本文中,我们提出一个统一的神经网络框架,称为深度循环空间感知网络,它在可学习的空间变换模块中以区域级精炼过程自适应地处理这两个问题。具体而言,我们的框架迭代地执行两个组件的循环空间感知精炼(RSAR)模块:i) 空间变换网络,从人群密度图中动态定位注意区域并将其变换为合适尺度与旋转以进行最优人群估计;ii) 局部精炼网络,通过残差学习精炼被关注区域的密度图。在四个具挑战性基准上的大量实验显示了我们方法的有效性。具体而言,与现有最佳性能方法相比,我们在最大数据集 WorldExpo'10 上取得 12% 的提升,在最具挑战性数据集 UCF_CC_50 上取得 22.8% 的提升。
引用
@article{arxiv.1807.00601,
title = {Crowd Counting using Deep Recurrent Spatial-Aware Network},
author = {Lingbo Liu and Hongjun Wang and Guanbin Li and Wanli Ouyang and Liang Lin},
journal= {arXiv preprint arXiv:1807.00601},
year = {2018}
}
备注
Accepted to IJCAI 2018