用于人群计数的视角引导卷积网络
计算机视觉与模式识别
2019-09-17 v1
摘要
在本文中，我们提出了一种新颖的基于卷积神经网络（CNN）的视角引导卷积（PGC）用于人群计数（即 PGCNet），旨在克服由于透视效应导致的人体场景内剧烈尺度变化。虽然大多数最先进的方法采用多尺度或多列架构来解决此问题，但它们通常由于仅考虑离散代表性尺度而未能对连续尺度变化进行建模。另一方面，PGCNet 利用视角信息在将特征图输入后续卷积之前引导其特征图的空间可变平滑。我们还向 PGCNet 引入了一个有效的视角估计分支，当该分支经过预训练后，可以在监督设置或弱监督设置下进行训练。我们的 PGCNet 为单列结构，计算量适度增加，在四个基准数据集上的大量实验结果表明了我们的方法相对于最先进方法的改进。此外，我们还介绍了 Crowd Surveillance，一个用于人群计数的大规模数据集，包含 13,000+ 张具有挑战性场景的高分辨率图像。
引用
@article{arxiv.1909.06966,
title = {Perspective-Guided Convolution Networks for Crowd Counting},
author = {Zhaoyi Yan and Yuchen Yuan and Wangmeng Zuo and Xiao Tan and Yezhen Wang and Shilei Wen and Errui Ding},
journal= {arXiv preprint arXiv:1909.06966},
year = {2019}
}
备注
Accepted by ICCV 2019