将极高密度人群作为活性物质进行学习

基于视频的高密度人群分析与预测一直是计算机视觉中的长期研究课题。由于高质量数据的缺乏和复杂的人群动力学等因素，这一课题极具挑战性。因此，它一直相对研究不足。在本文中，我们提出一种新方法，旨在从野外视频中学习，这些视频通常质量较低，难以跟踪个体或计数人头。其关键创新在于一种新的人群动力学物理先验。我们将高密度人群建模为活性物质——一种受随机力作用的具有活性粒子的连续介质，命名为"人群物质"。我们的物理模型与神经网络相结合，形成了一个神经随机微分方程系统，能够模拟复杂的人群动力学。由于缺乏类似研究，我们调整了一系列与我们的方法相近的现有方法用于比较。通过详尽的评估，我们证明我们的模型在分析和预测极高密度人群方面优于现有方法。此外，由于我们的模型是连续时间物理模型，可用于模拟和分析，提供强大的可解释性。这与大多数作为离散时间模型和黑箱的深度学习方法有着本质区别。