人头识别与计数_人群计数《LST-CNN》

《Locate, Size and Count: Accurately Resolving People in Dense Crowds via Detection》(2020)

​ 这是一篇利用检测的方法进行人群计数的文章。

---

贡献及创新点：

1. 使用检测的方法进行人群计数；
2. 设计了一个新颖的CNN框架，不同于传统的目标检测器，该方法可以在高分辨率图像上精确定位人头；
3. 设计了一个与从上到下反馈结构相融合的方案，这使得网络可以联合处理多尺度信息，方便网络更好地定位人头；
4. 在仅有点标注信息的情况下，可以预测每个人头的bounding box；
5. 设计了一个新的winner-take-all的loss，有利于在高分辨率的图像上进行训练。

---

方法介绍

LST-CNN是一个端到端的单阶段的方法。LST-CNN可以同时处理多个多尺度信息并在多个分辨率图像上进行预测，多个分辨率图像上的输出构成最终的预测结果。LST-CNN的结构图如下，在训练时，LST-CNN对GWTA训练阶段生成的伪ground truth进行像素级分类以完成网络优化。

LST-CNN有三个功能模块。

1. 首先，Feature Extractor在多个分辨率图像上提取特征；
2. 然后，多尺度特征图被输入到一系列的Multi-scale Feedback Reasoning(MFR)单元中，之后经过提取的特征进行融合，并用于预测box。
3. 最后，Non-Maximum Suppression(NMS)从多个分辨率图像上确定有效的预测结果，并结合生成最终结果。

为了训练模型，最后的一个阶段使用了GWTA模块。GWTA模块使用了winnners-take-all（WTA)loss，可以挑选合适的ground truth box。

-------------------------------------------

人头定位

Feature Extractor

这部分网络的输入是224×224大小的RGB图像，其结构采用了VGG-16的前五个卷积块，并做了相应的修改，其结构如下：

Feature extractor生成

原分辨率大小的特征图，不同于传统的多列结构，它可以通过共享low-level层的特征来区分每个尺寸分支。在部分的输出中&#x