具有区域与语义注意力的尺度感知网络用于杂乱背景下的 crowd counting
计算机视觉与模式识别
2021-01-08 v2
摘要
人群计数是一项重要任务，在公共安全相关领域展现出巨大应用价值，近年来吸引了越来越多的关注。当前研究中，计数准确性与人群密度估计是主要关注点。尽管深度学习的出现极大推动了该领域发展，杂乱背景下的 crowd counting 仍是一项严峻挑战。为解决此问题，我们提出了具有区域与语义注意力的尺度感知人群计数网络（SACCN）。所提SACCN通过在浅层与深层分别施加区域与语义自注意力机制来区分人群与背景。此外，提出非对称多尺度模块（AMM）以应对尺度多样性问题，并设计了基于区域注意力的密集连接与跳跃连接来缓解人群尺度的变化。在多个公开基准上的大量实验结果表明，我们提出的SACCN取得了令人满意的优越性能，并优于大多数最先进方法。所有代码与预训练模型将很快发布。
引用
@article{arxiv.2101.01479,
title = {Scale-Aware Network with Regional and Semantic Attentions for Crowd Counting under Cluttered Background},
author = {Qiaosi Yi and Yunxing Liu and Aiwen Jiang and Juncheng Li and Kangfu Mei and Mingwen Wang},
journal= {arXiv preprint arXiv:2101.01479},
year = {2021}
}