人头识别与计数_ICCV2019 Oral | 用于人群计数的贝叶斯损失函数

    点击上方“CVer”，选择加"星标"或“置顶”

重磅干货，第一时间送达

作者：Zee Jay

https://zhuanlan.zhihu.com/p/91834072

本文已授权转载，未经允许，不得二次转载

1.Contribution

本文全程把counting当作是一个概率问题，预测的density map是一个概率图，每个点表示该点处有人存在的概率，把density map每个点看作是样本观测值，然后这个点存在某个人的概率当作先验概率，用均匀分布表示，即每个点可能存在N个人中的某一个，或者是背景，然后基于观测值和先验概率，我们可以估计该点处是否存在某个人的后验概率，后验概率其实是对真实分布的估计，ground truth就是真实分布，因此拿后验概率与真实概率做差，就可以作为loss去优化模型

2.Method

(1)关于贝叶斯估计的背景知识

贝叶斯估计是参数估计的一种，所谓参数估计，就是实现假定数据服从某个分布，比如高斯分布，那么我们就希望通过实际的数据去确定高斯分布N(μ，σ)的均值μ和方差σ，这两个一旦确定，我们就相当于获得了数据的预测模型，大致上对未来获得的新的数据心里有了大概的一个估计，

参数估计最常用的有极大似然估计和贝叶斯估计，极大似然估计的基本思想是，当取得一组观测数据之后，μ和σ取什么值，最可能会得到这组观测数据，就像医生看病一样，他通过询问你问题，获得有关病情的观测数据，然后他就在推断，哪种病最可能会导致病人的这种状况，极大似然估计就是在做这个推断，具体的方法是要将概率密度函数乘起来，代入观测值，并求导，找到极值的过程，这里不展开，但是你得知道，极大似然估计它估计了一个具体的μ和σ的值

贝叶斯估计不像极大似然估计那么绝对，就认为μ和σ就是算出来的两个值，贝叶斯估计它通过观测值去估计μ和σ可能服从的分布，也就是说，贝叶斯估计，估计的是参数本身服从的分布，相比于极大似然估计的精确估计，贝叶斯估计则是一种模糊的估计，具体如下：

事先，你也要假设一下参数服从的分布，如果有事先的经验，那就可以根据经验设计一个参数服从的分布，如果事先啥都不知道，那么就先假设维正态分布，因此我们称这个事先假设的参数分布为先验分布，

即常用p(θ)=π(θ)，π表示某种先验分布

当然先验分布只是事先假设，不一定对，我们要通过观察数据样本，根据观察值，来对先验分布进行修正，用D表示一组观测值，如下所示：