理解人群计数中背景区域误检的影响
计算机视觉与模式识别
2020-04-01 v1
摘要
每一位人群计数研究者都可能观察到其模型在不含任何人的图像区域上输出错误的正预测。但这些误检多久发生一次？我们的模型是否受此负面影响？本文深入分析了该问题。为理解其规模，我们对五个最重要的人群计数数据集进行了广泛分析。我们将此分析分为两部分。首先，我们量化了流行人群计数方法所犯误检的数量。结果显示：(i) 背景上的误检相当可观，占总误差的 18–49%；(ii) 模型对不同背景泛化不佳，在纯背景图像上表现很差；(iii) 模型所犯误检远多于标准平均绝对误差（MAE）指标所捕获者，因为背景上的计数大幅补偿了前景上的漏检。其次，我们量化了通过帮助模型更好应对该问题所获得的性能变化。我们为典型人群计数网络增添一个经训练以抑制背景预测的分割分支。这一简单增补 (i) 将背景误差降低 10–83%，(ii) 将前景误差降低至多 26%，且 (iii) 将整体人群计数性能提升至多 20%。与文献相比，这一简单技术在全部数据集上取得了极具竞争力的结果，与最先进水平（SOTA）相当，显示了解决背景问题的重要性。
引用
@article{arxiv.2003.13759,
title = {Understanding the impact of mistakes on background regions in crowd counting},
author = {Davide Modolo and Bing Shuai and Rahul Rama Varior and Joseph Tighe},
journal= {arXiv preprint arXiv:2003.13759},
year = {2020}
}