人群密度估计--CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes

CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes
CVPR2018

针对复杂场景的拥挤场景理解我们提出了一个 CSRNet 网络，该网络主要包括两个部分，前端使用一个卷积网络用于 2D 特征提取，后端用一个 dilated CNN。该网络在几个常用的公开人群密度估计数据库上取得了不错的效果。

1 Introduction
拥挤场景解析的发展从简单的人群数值估计到人群密度图估计，人群密度图可以提供额外的信息，因为同样数量的人可以分布在不同的位置，如下图所示

生成准确的人群分布图挑战性比较大，其中一个主要的困难就是离散化的问题，人在图像中不是只占用一个像素，密度图需要保持局部邻域的连续性。其他的困难包括场景的多样性，相机角度的多样性。

以前基于CNN网络的人群密度估计主要采用了 multi-scale architectures，虽然取得了不错的性能，但是存在两个问题：当网络变深的时候， the large amount of training time and the non-effective branch structure ，这里我们设计了一个实验验证了 multi-column CNN (MCNN) 表现的效果没有比没采用 multi-column 的要好。
这里我们设计了一个 a deeper, regular network with the similar amount of parameters

设计 multi-column CNN (MCNN) 的本意是希望可以学习不同尺寸感受野的特征，但是下图显示三个column 学习到的特征相似，没有达到设计之初的目的。

人群密度估计从方法上来说可以分为三大类：detection-based methods, regression-based methods, and density estimation-based methods

其中基于CNN的密度图估计多数采用了 multi-column based architecture (MCNN) 的架构，我们观察到这种结构存在几个问题：
1）Multi-column CNNs 比较难训练
2）Multi-column CNNs 引入了冗余的网络结构，如表1 所示
3）需要 density level classifier ，这样计算量比较大
4）这些网络用了很大一部分参数用于 density level classification，用于密度图估计的参数占小部分

3 Proposed Solution
这里我们不采用多分支网络结构
The fundamental idea of the proposed design is to deploy a deeper CNN for capturing high-level features with larger receptive fields and generating high-quality density maps without brutally expanding network complexity.

3.1. CSRNet architecture
网络的前端我们采用 VGG-16 卷积层部分，在后端我们采用 dilated convolutional layers

3.1.1 Dilated convolution

3.1.2 Network Configuration

3.2. Training method
3.2.1 Ground truth generation

不同数据库真值密度图的生成

3.2.2 Data augmentation
这里我们做了一些数据增强来增加训练样本的数量

3.2.3 Training details
损失函数如下：

4 Experiments
4.1. Evaluation metrics

人群密度估计--CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes相关推荐

论文学习笔记：CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes
CSRNet是2018年提出来的人群计数模型,其论文发表于CVPR会议. 论文链接:CSRNet Abstract 摘要我们提出了一个拥挤场景识别网络CSRNet,它提供了一种数据驱动的深度学习方法 ...
论文解读 CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes
abstract 1.提出CSRNet是为了处理非常密集的场景,提供准确的计数和密度图 2.提出的CSRNet主要两部分组成:提取二维特征的CNN做前端,膨胀的CNN做后端,膨胀的卷积核是为了获得更大 ...
CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes
本文首先针对MCNN,提出了其两个缺点:大量的训练时间和无效的分支架构. MCNN由于使用了多列网络,参数比较多,需要训练时间长容易理解.可是作者为什么说MCNN的多列是"无效的分支&quo ...
2018_Csrnet: Dilated convolutional neural networks for understanding the highly congested scenes
Csrnet: Dilated convolutional neural networks for understanding the highly congested scenes 说明概括一. ...
CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes2018—论文笔记
本论文来自CVPR2018, 读于20190409. Abstract 我们提出的Congested Scene Recognition(CSRNet)包含了两个部分,一个是获得二维特征的前端,一个是 ...
人群计数：CSRNet-Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes
(鉴于有朋友提到模型去哪里下载的问题,这里多加一句) CSRNet 官方GitHub地址:https://github.com/leeyeehoo/CSRNet-pytorch 这里面包括代码和训练好 ...
CRSNet: Dilated Convolutional Neural Networks for Underatanding the Highly Congested Scenes
CRSNet: Dilated Convolutional Neural Networks for Underatanding the Highly Congested Scenes 针对复杂场景拥挤 ...
DEEPCON: protein contact prediction using dilated convolutional neural networks with dropout
今天真的要开始正式进入科研状态了,之前一直都进入失败,咳!那就先来看一篇相关领域的论文吧 ---------------------------------------------- 题目:DEEPC ...
快速人群密度估计--Multi-scale Convolutional Neural Networks for Crowd Counting
Multi-scale Convolutional Neural Networks for Crowd Counting https://arxiv.org/abs/1702.02359 对于人群密度 ...

人群密度估计--CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes

人群密度估计--CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes相关推荐

最新文章

热门文章