基于Inception的人群计数——在保持准确的同时实现快速
计算机视觉与模式识别
2022-10-19 v1
摘要
近期复杂的基于CNN的算法凭借其针对多种头部尺度问题设计的结构，展现出从图像中自动计数人群的卓越能力。然而，这些复杂的架构也极大地增加了计算复杂度，使得实时估计难以实现。因此，本文提出一种基于Inception-V3的新方法以降低计算量。该 proposed 方法（ICC）利用前五个inception模块及CAN中设计的上下文模块，在不同感受野下提取特征，从而具备上下文感知能力。这两种不同策略的采用也提升了模型的鲁棒性。实验表明，ICC最多可减少85.3%的计算量，性能损失为24.4%。这种高效率对人群计数模型在监控系统中部署以保障公共安全具有重要意义。代码将发布于https://github.com/YIMINGMA/CrowdCounting-ICC，其在Crowd Counting数据集（包含大量监控视角下的多样场景）上的预训练权重也将开源。
引用
@article{arxiv.2210.09796,
title = {Inception-Based Crowd Counting -- Being Fast while Remaining Accurate},
author = {Yiming Ma},
journal= {arXiv preprint arXiv:2210.09796},
year = {2022}
}
备注
This is the paper that summarises my MSc's research project. Not plan to publish it. Share it on arXiv as a beginner-friendly paper for new researchers into crowd counting