分而生长：用增量生长 CNN 捕捉人群图像中的巨大多样性
计算机视觉与模式识别
2018-07-27 v1
摘要
人群图像中人数的自动计数是一项具有挑战性的任务。主要困难源于人群中出现方式的高度多样性。事实上，可用于人群判别的特征在很大程度上依赖于人群密度，以至于在极高密度场景中人仅被视为团块。我们以生长式 CNN 解决该问题，其能逐步增加容量以应对人群场景中观察到的广泛变异性。我们的模型从一个基础 CNN 密度回归器起步，该回归器在所有类型的人群图像上等价训练。为适应巨大多样性，我们创建两个作为基础 CNN 精确副本的子回归器。一种差分训练过程将数据集划分为两个簇，并在各自专长上微调子网络。因此，无需任何用于形成专长的手工设计准则，子回归器便成为某些人群类型的专家。子网络再次递归分裂，每次分裂产生两位专家。这种分层训练导致一棵 CNN 树，其中子回归器比其任何父节点更为精细的专家。叶节点作为最终专家，随后训练一个分类器网络以预测给定测试图像块的正确专长。所提模型在主要人群数据集上取得了更高的计数精度。此外，我们分析了由本方法自动挖掘的专长特征。
引用
@article{arxiv.1807.09993,
title = {Divide and Grow: Capturing Huge Diversity in Crowd Images with Incrementally Growing CNN},
author = {Deepak Babu Sam and Neeraj N Sajjan and R. Venkatesh Babu},
journal= {arXiv preprint arXiv:1807.09993},
year = {2018}
}
备注
CVPR 2018