DecideNet：通过注意力引导检测与密度估计计数变密度人群
计算机视觉与模式识别
2018-03-08 v2
摘要
在真实世界的人群计数应用中，人群密度在时空域上变化巨大。基于检测的方法能在低密度场景中准确估计人数，但其在拥挤区域的可靠性下降。另一方面，基于回归的方法能捕捉拥挤区域的整体密度信息，在不获知每个人位置的情况下，往往会在低密度区域高估计数。因此，单独使用其中任一种都不足以处理所有变密度场景。为解决此问题，提出一种新颖的端到端人群计数框架，名为 DecideNet（DEteCtIon and Density Estimation Network，检测与密度估计网络）。它能基于图像上不同位置的实际密度条件自适应决定合适的计数模式。DecideNet 首先分别生成基于检测和基于回归的密度图以估计人群密度。为捕捉密度中不可避免的变化，它引入一个注意力模块，用于自适应评估两类估计的可靠性。最终人群计数在注意力模块引导下从两类密度图中采纳合适估计而获得。实验结果表明，我们的方法在三个具挑战性的人群计数数据集上取得了最先进的性能。
引用
@article{arxiv.1712.06679,
title = {DecideNet: Counting Varying Density Crowds Through Attention Guided Detection and Density Estimation},
author = {Jiang Liu and Chenqiang Gao and Deyu Meng and Alexander G. Hauptmann},
journal= {arXiv preprint arXiv:1712.06679},
year = {2018}
}
备注
CVPR 2018