SSR-HEF：基于多尺度语义精炼与难例聚焦的 crowd counting
计算机视觉与模式识别
2022-04-18 v1 机器学习
摘要
基于密度图的人群计数通常被视为回归任务。深度学习用于学习图像内容与人群密度分布之间的映射。尽管已取得巨大成功，一些远离相机的行人仍难以被检测，且难例数量通常较大。现有采用简单欧氏距离算法的方法无差别地优化难例与易例，导致难例密度常被错误预测为偏低甚至零，从而造成较大计数误差。为解决该问题，我们首次提出面向人群计数回归任务的难例聚焦（HEF）算法。HEF 算法通过削弱易例贡献使模型快速聚焦于难例，随后对估计错误的难例赋予更高重要性。此外，人群场景尺度变化大，且尺度标注费力昂贵。通过提出多尺度语义精炼（SSR）策略，我们模型的底层可突破深度学习局限以捕获不同尺度的语义特征，充分应对尺度变化。我们在六个基准数据集上进行了大量实验验证所提方法。结果表明我们的方法优于最先进方法，且我们设计的模型更小更快。
引用
@article{arxiv.2204.07406,
title = {SSR-HEF: Crowd Counting with Multi-Scale Semantic Refining and Hard Example Focusing},
author = {Jiwei Chen and Kewei Wang and Wen Su and Zengfu Wang},
journal= {arXiv preprint arXiv:2204.07406},
year = {2022}
}
备注
Accepted by IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS