1、CNN-based Cascaded Multi-task Learning of High-level Prior and Density Estimation for Crowd Counting
Two sub tasks: crowd count classification and density map estimation,First stage learning high level prior ,Second stage preforming density map estimation。即上层为人头数分类,下层输出密度图
2、Cross-scene Crowd Counting via Deep Convolutional Neural Networks
3个卷积层 3个全连接层。第一个卷积层有 32个 7×7×3 滤波器,第二个卷积层 32个 7×7×32 滤波器,第三个卷积层有64个 5 × 5 × 32 滤波器。第一第二卷积层后面各用一个 2 × 2 最大池化,卷积和全连接层都使用 Rectified linear unit (ReLU) 激活响应函数。交替优化密度图估计任务和人数估计任务
3、CrowdNet: A Deep Convolutional Network for Dense Crowd Counting
似乎两个网络分支最后融合,一个尺度小的卷积核一个尺度大的卷积核,多层小的卷积核不是能等同于大的卷积核?
4、Highly Congested Scenes Single-Image Crowd Counting via Multi-Column Convolutional Neural Network
MCNN网络的每一列并行的子网络深度相同,但是滤波器的大小不同(大,中,小),因此每一列子网络的感受野不同,能够抓住不同大小人头的特征,最后将三列子网络的特征图做线性加权(由1x1的卷积完成)得到该图像的人群密度图,类似模型融合的思想。采用了2*2的max-pooling和ReLU激活函数。(注意,因为这里用到了两次max-pooling,所以需要先对训练样本也缩小到1/4,再生成对应的密度图ground truth)。使用基于几何适应高斯核的密度图
5、Switching Convolutional Neural Network for Crowd Counting
针对人群密度估计问题提出了一个 Switch-CNN网络,大的思路就是根据图像块的内容信息来选择合适的CNN网络进行人群密度估计。首先将图像分成3*3=9 个图像块,然后使用一个 CNN网络对每个图像块进行分类,看它适合使用哪个CNN网络来进行密度估计,这里提供了3个CNN网络来进行密度估计
6、DecideNet: Counting Varying Density Crowds Through Attention Guided Detection and Density Estimation
整体网络: