重访透视信息以实现高效人群计数
计算机视觉与模式识别
2019-04-02 v3
摘要
人群计数是指在人群图像中估计人数的任务。现代人群计数方法采用深度神经网络通过人群密度回归来估计人群数量。该任务的一大挑战在于透视畸变，其导致图像中行人尺度发生剧烈变化。对小行人区域进行密度回归通常十分困难。本工作中，我们提出一种透视感知卷积神经网络（PACNN）用于高效人群计数，其将透视信息整合进密度回归，以提供图像中行人尺度变化的额外知识。首先生成真值透视图用于训练；随后专门设计 PACNN 预测多尺度透视图，并将其编码为网络中的透视感知加权层，以自适应地结合多尺度密度图的输出。权重在图的每个像素上学习，使得最终密度组合对透视畸变具有鲁棒性。我们在 ShanghaiTech、WorldExpo'10、UCF_CC_50 与 UCSD 数据集上进行了大量实验，并证明了 PACNN 相对于当前最优方法的的有效性与高效性。
引用
@article{arxiv.1807.01989,
title = {Revisiting Perspective Information for Efficient Crowd Counting},
author = {Miaojing Shi and Zhaohui Yang and Chao Xu and Qijun Chen},
journal= {arXiv preprint arXiv:1807.01989},
year = {2019}
}
备注
CVPR2019 camera-ready