基于人群注意力卷积神经网络的人群计数
计算机视觉与模式识别
2022-04-18 v1 机器学习
摘要
由于场景复杂性和尺度变化，人群计数是一个具有挑战性的问题。尽管深度学习在人群计数方面取得了很大进展，场景复杂性影响了这些方法的判断，它们通常错误地将某些物体当作人，从而在人群计数结果中造成潜在巨大误差。为解决该问题，我们提出了一种称为人群注意力卷积神经网络（CAT-CNN）的新型端到端模型。我们的 CAT-CNN 可通过自动编码置信度图来自适应评估每个像素位置人头的重要性。在置信度图的引导下，估计密度图中人头的位置获得更多关注以编码最终密度图，从而有效避免巨大误判。通过对最终密度图积分可获得人群计数。为编码高度精细的密度图，在设计的分类任务中对每幅图像的总人群计数进行分类，并且我们首次显式地将群体级别类别的先验映射到特征图。为验证所提方法的效率，在三个极具挑战性的数据集上进行了大量实验。结果确立了我们的方法相对于许多最先进方法的优越性。
引用
@article{arxiv.2204.07347,
title = {Crowd counting with crowd attention convolutional neural network},
author = {Jiwei Chen and Wen Su and Zengfu Wang},
journal= {arXiv preprint arXiv:2204.07347},
year = {2022}
}
备注
Accepted by Neurocomputing