Exploiting sample correlation for crowd counting with multi-expert network

利用样本相关性的多专家网络人群计数

大的特征提取网络性能不令人满意

探索了如何有效的使用多专家模型进行人群计数任务

主要关注如何训练更有效的专家网络和如何选择最合适的专家

提出了一种基于样本增强的任务驱动的相似性度量称为协同微调相似性，可以找到一个更有效的数据子集来训练专家网络。相似样本被认为是一个用来获取专家参数的聚类。

设计了FPN反卷积计数网络，一个更适合于多专家计数网络的基本模型。

一些方法中的多专家结构包括基本特征提取器、路由网络、或加权网络以及多个专家网络。

每个专家都被设计为处理特定的规模和密度，从而减轻了仅由一个专家处理各种场景的复杂性。路由器本质上是一个分类器，为每个测试样本选择最佳专家。

为了获得有效的专家，大多数专家计数方法采用了差分训练技术（只是减少了对当前样本最准确预测的专家的损失）

在训练之后，每个训练样本被分配一个伪类别标签（最适合的专家的索引），以训练路由器。

每个专家都是通过在训练数据的子集上微调模型而产生的。关键问题是如何将训练集分成几个子集。

本文考虑如何评估两个样本之间的相似性。提出度量方法（协同微调相似性），可以反应最优专家参数之间的相关性（可以近似地描述在包含这两个样本的子集上进行微调之后模型的性能改进）。

为了获得由相似的样本组成的聚类，基于协同微调相似性设计了一种简单的聚类方法来在密集的人群数据集中发现潜在的聚类，然后每个聚类用于获得专家的参数。

为了减少参数的储存空间和避免对聚类的过度拟合，设计了一个简单而有效的人群计数模型（FDC），具有一个微小的密度映射回归器。

使用FDC作为基础模型，利用训练策略获得多专家FDC(MFDC)。