人群密度估计--Fully Convolutional Crowd Counting On Highly Congested Scenes

Fully Convolutional Crowd Counting On Highly Congested Scenes
The 12th International Conference on Computer Vision Theory and Applications (VISAPP)
VISAPP 2017

本文使用 FCN 来做人群密度估计,主要参考 Single-image crowd counting via multi-column convolutional neural network,
主要改进的地方有以下三点:1)新的数据增强方法用于增加训练数据;2)提出一个更好的FCN网络;3)输入图像的多尺度用于解决 scale and perspective

FCN 用于人群计数主要的优点就是输入图像尺寸可以是任意的,输出的密度图根据输入尺寸自适应变化。目前已有的数据库主要的标记信息是人头位置标记。 这里主要是根据人头位置信息得到人群密度真值图。具体的生成过程主要是: N head annotations 根据人头位置生成 discrete density heatmap,对每个人头位置 加一个 unit impulse 到 discrete density heatmap 中去。

为了将离散密度能量图转为连续的函数,我们对每个人头位置使用一个adaptive Gaussian kernel 卷积
To convert this discrete density heatmap to a continuous function, convolution with an adaptive Gaussian kernel G σi is applied for each head annotation

2.1 Training Set Augmentation Scheme
由于大多数人群计数方面的数据库规模都比较小,所以数据增强计数就显得比较重要。

allow these crops to overlap for image recognition tasks, pixel-wise tasks can potentially overfit
从图像中裁出的图像块最好不要有重叠
所以我们采取了 four image quadrants as well as their horizontal flips are taken as training samples, ensuring no overlap

这里写图片描述

2.2 FCN Architecture
这里写图片描述

loss function
这里写图片描述

Shanghaitech Part B validation performance
这里写图片描述

2.3 Multi-Scale Averaging During Inference
我们对输入的测试图像使用多尺度输入,得到更好的密度估计,original size + 80% original size
这里写图片描述

UCF CC 50 dataset
这里写图片描述

这里写图片描述

Shanghaitech dataset
这里写图片描述

Cross dataset performance of our method
这里写图片描述

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值