摘要
当前的人群计数大多是基于密度图估计,使用高斯核将标注点生成真值(Ground Truth)密度图,以真值密度图为监督信号,通过网络生成的密度图计数求和获得人群计数,以及计算损失。然而由于密集人群的重叠、遮挡和透视等原因,以高斯核生成的真值密度图很难使人群计数达到最佳效果。
本文中提出了贝叶斯损失,从标注点中构造了密度贡献概率模型,将贡献概率和每个像素点的估计密度的乘积相加,计算出每个标注点的期望计数,由真值1进行监督。我们的损失函数是对每个像素点的计数期望进行监督。
介绍
传统方法中,使用高斯核将标注点转换为真值密度图。
其中D(xm)是密度图,xm是像素的位置,m={1,2,…M},M是密度图中的像素总数。yn是标注点的标签,n={1,2,…N},zn是与yn相关联的像素位置。
表示在xm处的二维高斯分布,平均值为zn。如果σ采用固定高斯核,则假设数据集中所有人具有相同的头部大小及形状,由于遮挡、不规则人群分布、透视效果等原因,这显然是不正确的。另一种解决方案是对每个n:σn∝dn使用自适应高斯核,其中dn是一个距离,取决于在空间域中的最近邻居。
在大