人群计数Bayesian Loss for Crowd Count Estimation with Point Supervision文章解读

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。

论文地址：link
GitHub：link

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(x_m）是密度图，x_m是像素的位置，m={1,2,…M}，M是密度图中的像素总数。y_n是标注点的标签，n={1,2,…N}，z_n是与y_n相关联的像素位置。

表示在x_m处的二维高斯分布，平均值为z_n。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：σ_n∝d_n使用自适应高斯核，其中d_n是一个距离，取决于在空间域中的最近邻居。
在大