基于深度结构化尺度集成网络的人群计数
计算机视觉与模式识别
2019-08-26 v1
摘要
在无约束的拥挤场景中自动估计人数是一项具有挑战性的任务，一个主要困难源于人群巨大的尺度变化。本文提出了一种新颖的深度结构化尺度集成网络（DSSINet）用于人群计数，该网络通过使用结构化特征表示学习和分层结构化损失函数优化来解决人群的尺度变化问题。与直接通过加权平均或拼接融合多种特征的传统方法不同，我们首先引入了一个基于条件随机场（CRFs）的结构化特征增强模块，通过消息传递机制相互优化多尺度特征。在该模块中，每个特定尺度的特征被视为一个连续随机变量，并传递互补信息以优化其他尺度的特征。其次，我们利用扩张多尺度结构相似性损失来强制DSSINet学习不同大小区域内人群尺度的局部相关性，从而生成高质量的密度图。在四个具有挑战性的基准数据集上的大量实验充分证明了我们方法的有效性。具体而言，与最先进的方法相比，我们的DSSINet在Shanghaitech数据集上实现了9.5%的误差降低，在UCF-QNRF数据集上实现了24.9%的误差降低。
引用
@article{arxiv.1908.08692,
title = {Crowd Counting with Deep Structured Scale Integration Network},
author = {Lingbo Liu and Zhilin Qiu and Guanbin Li and Shufan Liu and Wanli Ouyang and Liang Lin},
journal= {arXiv preprint arXiv:1908.08692},
year = {2019}
}
备注
Accepted to ICCV 2019