面向人群分析的机器学习与深度学习

在人口稠密的城市中，大量人群在公共场所和公共区域的聚集加速或危及人们的安全与交通，这是研究者面临的一项关键挑战。尽管已有大量关于人群分析的研究，现有方法多为特定问题导向，即从某一特定场景学习到的方法无法妥善迁移至其他视频。因此这暴露了这些研究的不足，因为必须从多样化视频中另行寻找训练样本。本文将借助传统与深度学习模型研究多样化场景的人群分析，并考量这些方法的优劣。然而，一旦从大型数据集上研究出通用深度方法，便可考虑将其用于研究不同的人群视频与图像，从而能够应对包括但不限于人群密度估计、人群人数统计和人群事件识别等问题。深度学习模型与方法需要大型数据集用于训练和测试。许多数据集的收集考虑到了构建人群数据集相关的诸多不同问题，包括人工标注以及视频与图像多样性的增加。本文还将提出多种深度神经网络模型与训练方法，以学习用于人群分析的特征建模。