DSGC-Net：基于特征关联挖掘的双流图卷积网络人群计数
计算机视觉与模式识别
2025-09-03 v1
摘要
深度学习方法在近年来取得了显著进展。然而在复杂场景中，现有模型面临区域密度分布差异显著的适应挑战。此外，由于视角变化和身体姿态差异导致的个体表征不一致进一步限制了模型计数精度。为此，我们提出DSGC-Net，一种基于特征关联挖掘的双流图卷积网络。DSGC-Net引入密度逼近(DA)分支和表征逼近(RA)分支。通过构建两个语义图，捕获密度变化和表征分布中潜在的特征关联。DA分支包含密度预测模块生成密度分布图，并基于密度相似性构建密度驱动的语义图。RA分支通过计算全局表征相似性建立表征驱动的语义图。随后分别对两个语义图应用图卷积网络，以建模潜在语义关系，增强模型适应密度变化的能力，在多视角和多姿态场景中提高计数精度。在三个广泛使用的数据集上进行大量实验表明，DSGC-Net优于当前最先进的方法。特别地，在沪东科技大学A和B部分数据集上分别实现了48.9和5.9的平均绝对误差(MAE)。已开源发布代码：https://github.com/Wu-eon/CrowdCounting-DSGCNet。
引用
@article{arxiv.2509.02261,
title = {DSGC-Net: A Dual-Stream Graph Convolutional Network for Crowd Counting via Feature Correlation Mining},
author = {Yihong Wu and Jinqiao Wei and Xionghui Zhao and Yidi Li and Shaoyi Du and Bin Ren and Nicu Sebe},
journal= {arXiv preprint arXiv:2509.02261},
year = {2025}
}
备注
Accepted by PRCV 2025