用于人群计数的切换卷积神经网络
计算机视觉与模式识别
2017-08-04 v2
摘要
我们提出了一种新颖的人群计数模型，该模型将给定的人群场景映射到其密度。人群分析受到诸多因素的干扰，例如极端拥挤导致的人与人之间的相互遮挡、人与背景元素之间外观的高度相似性，以及相机视角的巨大变异性。当前最先进的方法通过使用多尺度 CNN 架构、循环网络以及融合具有不同感受野的多列 CNN 特征的后期融合来应对这些因素。我们提出了切换卷积神经网络，它利用图像内人群密度的变化来提高预测人群计数的准确性和定位精度。人群场景中网格内的图像块根据训练期间确定的 CNN 人群计数预测质量被传递给独立的 CNN 回归器。这些独立的 CNN 回归器被设计为具有不同的感受野，并且训练了一个切换分类器以将人群场景图像块传递给最佳的 CNN 回归器。我们在所有主要的人群计数数据集上进行了广泛的实验，并证明了与当前最先进方法相比更好的性能。我们提供了由切换推断出的人群场景图像块空间多重划分的可解释表示。观察到切换器根据人群密度将图像块传递给特定的 CNN 列。
引用
@article{arxiv.1708.00199,
title = {Switching Convolutional Neural Network for Crowd Counting},
author = {Deepak Babu Sam and Shiv Surya and R. Venkatesh Babu},
journal= {arXiv preprint arXiv:1708.00199},
year = {2017}
}
备注
Version 2: Added references. Corrected Typos. Published at CVPR 2017, Honolulu, Hawaii. The first two authors contributed equally. For Project Page see http://val.serc.iisc.ernet.in/crowdcnn/