基于分层尺度重标定网络的人群计数
计算机视觉与模式识别
2020-03-10 v1
摘要
由于复杂的困难，尤其是视觉尺度上的巨大变化，人群计数任务极具挑战性。先前的工作倾向于采用多尺度信息的朴素拼接来应对，却忽略了特征图之间的尺度偏移。本文中，我们提出了一种新颖的分层尺度重标定网络（HSRNet），它通过建模丰富的上下文依赖关系并重标定多尺度关联信息来解决上述问题。具体而言，尺度聚焦模块（SFM）首先通过沿通道和空间维度顺序建模语义相互依赖关系，将全局上下文整合进局部特征。为了重新分配通道级特征响应，尺度重标定模块（SRM）采用逐步融合来生成最终的密度图。此外，我们提出了一种新颖的尺度一致性损失，以约束尺度关联输出与不同尺度的真值保持一致。借助所提出的模块，我们的方法能够选择性地忽略各种噪声并自动聚焦于合适的群体尺度。在人群计数数据集（ShanghaiTech、MALL、WorldEXPO'10和UCSD）上的大量实验表明，我们的HSRNet能够优于所有最先进的方法。更值得注意的是，我们在一个额外的车辆数据集上进行了扩展实验，其结果表明所提模型可泛化至其他应用。
引用
@article{arxiv.2003.03545,
title = {Crowd Counting via Hierarchical Scale Recalibration Network},
author = {Zhikang Zou and Yifan Liu and Shuangjie Xu and Wei Wei and Shiping Wen and Pan Zhou},
journal= {arXiv preprint arXiv:2003.03545},
year = {2020}
}
备注
Accepted by ECAI2020