用于目标计数的可学习捷径连接学习
计算机视觉与模式识别
2018-11-16 v2
摘要
由于交通监控或 surveillance 等应用中日益增长的需求，目标计数是计算机视觉中的一项重要任务。在本文中，我们将目标计数视为利用卷积-反卷积网络进行联合特征提取与逐像素目标密度估计的学习问题。我们引入了一种名为门控 U-Net (GU-Net) 的新型计数模型。具体而言，我们提出以可学习捷径连接的概念来丰富 U-Net 架构。标准捷径连接是深度神经网络中跳过至少一个中间层的层间连接。我们提出从数据中学习这些连接，而非简单地设定捷径连接。因此，我们的捷径可作为门控单元，优化 U-Net 架构中卷积层与反卷积层之间的信息流。我们在三个常用的目标计数基准数据集上评估了所引入的 GU-Net 架构。GU-Net 一致地优于基础 U-Net 架构，并取得了最先进的性能。
引用
@article{arxiv.1805.02919,
title = {Learning Short-Cut Connections for Object Counting},
author = {Daniel Oñoro-Rubio and Mathias Niepert and Roberto J. López-Sastre},
journal= {arXiv preprint arXiv:1805.02919},
year = {2018}
}