用于人群计数的增强信息融合网络

近年来，人群计数——一种预测图像中人数的技术——成为计算机视觉中一项具有挑战性的任务。本文中，我们提出一种跨列特征融合网络以解决各列间信息冗余的问题。我们引入了信息融合模块（IFM），其提供信息流动通道，帮助不同列从另一列获取显著信息。通过该通道，不同列相互交换信息并从其他列提取有用特征以增强关键信息。因此，各列无需关注图像中的所有区域。每列可负责不同区域，从而减轻每列的负担。实验中，我们模型的泛化性更为鲁棒，且在不同数据集间迁移的结果与SOTA模型相当。