crowdcountingp2p代码复现

前面学习了一下论文：Improved Field-Based Soybean Seed Counting and Localization with Feature Level Considered

该论文的模型原型由CrowdCounting-P2PNet改进而来

这里先复现一下CrowdCounting-P2PNet模型，然后再学习P2PNet-Soy模型

一.CrowdCounting-P2PNet

在计算机视觉顶会 ICCV 2021 上，腾讯优图实验室提出了点对点网络（Point-to-Point Network，P2PNet）,业界首创直接预测人头中心点的人群计数新范式，能够同时实现人群个体定位和人群计数，CrowdCounting-P2PNet实际上是一个纯粹基于点的框架，用于人群的计数和定位

(1)CrowdCounting-P2PNet源码

CrowdCounting-P2PNet源码地址：GitHub - TencentYoutuResearch/CrowdCounting-P2PNet: The official codes for the ICCV2021 Oral presentation "Rethinking Counting and Localization in Crowds: A Purely Point-Based Framework"

论文下载链接：https://arxiv.org/abs/2107.12746

(2)CrowdCounting-P2PNet框架

<1>CrowdCounting-P2PNet提出的背景

人群计数任务旨在估计给定图像中特定区域的总人数，在城市管理、公共安全方面有着重要的实用价值。人群计数任务可以被视为特殊场景下的人头检测任务，其特殊之处在于以下三点：

• 主要面向极小尺度人头（通常小于 30 像素）；
• 人头分布密集，存在严重的重叠遮挡问题；
• 受限于极高的标注成本，只能提供人头中心点标注且数据匮乏。

<2>主流方案与P2PNet对比

方案一（基于密度图回归的方法）：人群分布密度图是根据人头中心点标注来生成的，对密度图进行积分即可获得总人数。这类方法的缺点是：在只有人头中心点标注的情况下，生成的密度图并不准确，而且无法提供人群中个体的位置信息，特别是对于拥挤区域。此类方法仍是目前最主流的方案。

方案二（基于估计框的检测方法）：先根据人头中心点标注估计人头框，然后使用人头检测技术来定位每个人头。这类方法的缺点则是难以准确地估计人头框，导致模型优化错误和预测后处理（非极大值抑制）失效。目前仅有少数方法采用这种方案。

本研究采用的方案（P2PNet）：本方案从一个全新视角来审视人群计数这个任务，旨在直接解决其超任务：人群个体定位。该任务不仅能给出指定区域的人头总数，还能直接给出人群中每个个体的具体位置，从而便于后续更高阶的人群分析任务（人群行为分析、异常行为检测以及人群跟踪等）。针对这个超任务，腾讯优图实验室提出了点对点网络（Point-to-Point Network，P2PNet），能直接以人头中心点作为训练，并直接输出预测的人头中心点坐标，是业内首个能直接预测人头中心点的算法，有望开启人群计数相关研究的新范式。

<3>技术创新

本研究的主要贡献有以下两点：

• 业界首次提出了一个完全基于点的框架，同时实现人群个体定位和人群计数任务。该框架所能提供的点级别人群个体位置信息，是下游高阶人群分析任务的基础。同时，与该框架相契合，研究者提出了密度归一化平均精度（nAP）的评测指标，该指标是一个综合性的指标