重新审视用于城市级人流分析中的卷积神经网络
计算机视觉与模式识别
2020-06-23 v2
摘要
城市级人流分析对智慧城市努力至关重要。其旨在基于历史观测对每个城市区域的人流(例如流入与流出)建模。如今,卷积神经网络(CNNs)凭借其捕捉空间依赖的能力,已广泛采用于基于栅格的人流分析中。在重新审视针对不同分析任务的基于 CNN 的方法后,我们揭示了现有使用中的两个常见关键缺陷:1) 学习全局空间依赖的低效性,以及 2) 忽视潜在区域功能。为应对这些挑战,本文提出一个名为 DeepLGR 的新颖框架,可轻松推广以解决各种城市级人流分析问题。该框架由三部分组成:1) 局部特征提取模块,用于学习每个区域的表示;2) 全局上下文模块,用于提取全局上下文先验并将其上采样以生成全局特征;以及 3) 基于张量分解的特定区域预测器,为每个区域提供定制化预测,与先前方法相比参数极为高效。在两个典型人流分析任务上的大量实验证明了我们框架的有效性、稳定性与通用性。
引用
@article{arxiv.2003.00895,
title = {Revisiting Convolutional Neural Networks for Citywide Crowd Flow Analytics},
author = {Yuxuan Liang and Kun Ouyang and Yiwei Wang and Ye Liu and Junbo Zhang and Yu Zheng and David S. Rosenblum},
journal= {arXiv preprint arXiv:2003.00895},
year = {2020}
}
备注
to appear at ECML-PKDD 2020