利用不完美标签进行人群密度估计

密度估计是人群计数最广泛使用的方法之一，其中深度学习模型从头部标注的人群图像中学习，以估计未见图像中的人群密度。通常，模型的学习性能受标注准确性的严重影响，不准确的标注可能导致预测中的定位与计数错误。已有大量关于使用完美标注数据集进行人群计数的工作，但无一探讨标注误差对模型精度的影响。本文中，我们研究不完美标签（含噪声标签与缺失标签）对人群计数精度的影响。我们提出一种系统，利用深度学习模型（称为标注器）自动生成不完美标签，再用其训练新的人群计数模型（目标模型）。我们在两种人群计数模型与两个基准数据集上的分析表明，所提方案取得的精度接近使用完美标签训练的模型，显示出人群模型对标注误差的鲁棒性。