通过分割引导注意力网络与课程损失进行人群计数

自动人群行为分析是智能交通系统实现有效流量控制和针对不同道路参与者的动态路线规划的重要任务。人群计数是自动人群行为分析的关键之一。使用深度卷积神经网络（CNN）的人群计数近年来取得了令人鼓舞的进展。研究者已投入大量精力设计各种CNN架构，其中大多数基于预训练的VGG16模型。由于表达能力不足，VGG16的骨干网络通常后接另一个专为良好计数性能而设计的繁琐网络。尽管VGG模型在图像分类任务中已被Inception模型超越，但现有基于Inception模块构建的人群计数网络仍仅有少量层且使用基本类型的Inception模块。为填补这一空白，本文中我们首先在常用人群计数数据集上基准测试Inception-v3基线模型，取得了与大多数现有人群计数模型相当或更优的惊人性能。随后，我们进一步推进这一突破性工作的边界，提出以Inception-v3为骨干的分割引导注意力网络（SGANet）以及一种用于人群计数的新颖课程损失。我们进行了详尽实验，将SGANet与先前方法比较，所提模型在ShanghaiTechA、ShanghaiTechB和UCF_QNRF上分别以MAE 57.6、6.3和87.6达到了最先进性能。