利用无参数注意力机制优化 CSRNet 以实现公共交通中的人群计数
计算机视觉与模式识别
2026-05-19 v1 人工智能
摘要
占用率估计与人群计数是设计智能高效公共交通车辆的关键任务。鉴于公共交通的载客状态可从稀疏到拥挤变化，经典的占用率估计模型必须进行适应性调整以适用于此目的。注意力机制在增强深度神经网络于具有遮挡、复杂背景和透视畸变的拥挤场景下进行人群计数的表征能力方面，展现出了卓越的性能。然而，传统方法通常作为卷积层内的参数化子网络实现，不可避免地增加了模型尺寸和计算成本，限制了其在资源受限的边缘设备上的部署。本文研究了最先进的无参数注意力机制在高度拥挤场景下进行人群计数和密度图估计的有效性。我们评估了通道维度 (PFCA)、空间维度 (SA) 和三维 (SimAM) 模块，并将其性能与受限于引入不超过 1% 额外参数的参数化注意力模块进行了比较。此外，我们提出了一种结合 PFCA 和 SA 优势的新型注意力机制组合 (PFCASA)，专为分析公共交通系统车载视频流而定制。以 CSRNet 为主干网络，在 ShanghaiTech 数据集上的实验表明，无参数注意力机制在不引入额外模型参数的情况下，实现了相当或更优的准确率。详细的性能分析进一步揭示，PFCASA 在人数少于 40 人的场景中优于其他注意力模块，而 PFCA 随着人群密度增加展现出更高的有效性，凸显了它们集成到智能公共交通模式中的潜在适用性。
引用
@article{arxiv.2605.18349,
title = {Optimising CSRNet with parameter-free attention mechanisms for crowd counting in public transport},
author = {Aida Rostamza and Enrico Del Re and Joshua Cherian Varughese and Cristina Olaverri-Monreal},
journal= {arXiv preprint arXiv:2605.18349},
year = {2026}
}