nb_200930_2019_wnet

W-Net: Reinforced U-Net for Density Map Estimation

• cvpr 2019

I. Introduction

• 本文贡献：
  • 算法：
    1. 一个基于U-Net的 DME （密度图估计，density map estimation） 模型。
       • 该模型采用了完全相同的encoder-decoder流水线结构，外加一个强化分支。其中的enc模块用VGG16bn[9]替换。（通过对VGG16bn、resnet50[10]和一个基于Inception[11]的特征提取器进行实验比较，发现vgg16bn是最好的支撑结构）。
    2. 一个独立的 解码强化分支 （Decoding Reinforcement branch） 用于训练，从而加快网络收敛，提升估计的密度图 （density map） 的 SSIM (Structural Similarity Index，结构相似度指数)，也就是确保密度图的局部相关性；
    • 由此关注人群计数问题中的尺度变化问题，同时通过强化分支来降低背景噪声，从而保留结构相似度、提升收敛性。
    • 结合DME和强化分支的优点，提出联合损失函数：BCE (Binary Cross entropy loss) 和 MSE （Mean Squared error loss），从而得到一个end-to-end的计数网络。
  • 分析：
    1. 分析当代网络架构的缺点，得出经验性的结论：本文网络的性能提升主要受益于其中的 encoder-decoder 流水线结构。
    2. 通过一系列的误差分析得出结论：当前的工作已然饱和，并提出一个待解决的问题：