人群密度统计网络思路笔记

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：