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、Introduction(一个interesting的实验观察现象)
- 二、CSRNet基本网络结构
- 三、实验结果
- 参考文献
说明
本文是对以下这篇文章的总结及部分翻译。
Li Y, Zhang X, Chen D. Csrnet: Dilated convolutional neural networks for understanding the highly congested scenes[C]//IEEE conference on computer vision and pattern recognition. 2018: 1091-1100.
概括
Li等人提出了CSRNet网络结构用于人群计数和高质量的密度图生成,实现了端到端地训练。该网络分为两个部分:一部分由卷积神经网络作为提取特征的前端(这里用的是VGG16的前10层,后3层卷积作为后端的前边一部分,3层全连接层删掉不用);另一部分由空洞卷积(dilated convolutional)作为后端,利用空洞卷积层取代池化操作,CSRNet可以在不失去分辨率的情况下扩大接受域,从而聚合拥挤场景中的多尺度上下文信息。
由于CSRNet的纯卷积结构,它是一种易于训练的模型。
一、Introduction(一个interesting的实验观察现象)
之前拥挤场景分析大多基于多尺度体系结构,如以下文献。取得了很高的性能,但是他们使用的设计的网络越深的时候也引入了两个显著的缺点:大量的训练时间和无效的分支结构(如multi-column CNN,(MCNN)[c])。本文设计了一个实验来证明MCNN并没有比Table 1中更深层的规则网络表现得更好。
使用[c]中MCNN的主要原因是跨列不同大小的卷积滤波器提供的灵活的接受域。直观上,MCNN的每一列都是专用于某一级别的拥挤场景。然而,使用MCNN的效果可能并不显著。我们给出Figure 2来说明由三个分离的列学习的特征(代表大、中、小的接受域),并利用ShanghaiTech Part A数据集对其进行评估。图中的三条曲线对于50个不同拥挤密度的测试用例有着非常相似的模式(估计错误率),这意味着这样的分支结构中的每一列学习了几乎相同的特征。它违背了MCNN设计的初衷,学习每个列的不同特征。
a) Switching convolutional neural network for crowd counting[C]//CVPR, 2017.
b) Generating high-quality crowd density maps using contextual pyramid cnns[C]//ICCV, 2017.
c) Single-image crowd counting via multi-column convolutional neural network[C]// CVPR, 2016.
d) Crowdnet: A deep convolutional network for dense crowd counting[C]//ACM international conference on Multimedia. 2016.
e) Towards perspective-free object counting with deep learning[C]//ECCV, 2016.
二、CSRNet基本网络结构
实现发现,膨胀率为2时,效果最好,结果如下图。剩余实验皆采取第二列网络结构。
三、实验结果
**数据增强:**我们在每个图像的不同位置裁剪9个小块,大小为原始图像的1/4。前4个patch包含图像的4 / 4,没有重叠,其余5个patch从输入图像中随机裁剪。在那之后,我们对补丁进行镜像,这样我们的训练集就加倍了。
在ShanghaiTech数据集上的实验结果如下。还在UCF CC 50 dataset、The WorldExpo’10 dataset、UCSD dataset进行了实验,结果不一一列出。UCSD dataset实验的另一个结果表明,该方法不仅可以完成极为密集场景下的计数任务,而且可以完成相对稀疏场景下的计数任务。
实验结果不仅在人群计数上实现了拥挤场景下的最先进结果(2018年),还将模型扩展到车辆计数任务,该模型也达到了最好的准确性。
参考文献
Li Y, Zhang X, Chen D. Csrnet: Dilated convolutional neural networks for understanding the highly congested scenes[C]//IEEE conference on computer vision and pattern recognition. 2018: 1091-1100.
2018_Csrnet: Dilated convolutional neural networks for understanding the highly congested scenes相关推荐
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 有效感受野--Understanding the Effective Receptive Field in Deep Convolutional Neural Networks
Understanding the Effective Receptive Field in Deep Convolutional Neural Networks NIPS 2016 本文主要分析了 ...
最新文章
- cuDNN兼容性问题造成的caffe/mnist,py-faster-rcnn/demo运行结果错误
- 面试pythone_Python面试考题
- java web ssh jar_java web 汽车美容管理系统 ssh 毕设作品
- juniper srx电话单通
- 使用SESSION实现PHP会话的步骤
- 数据结构(一)线性链表、非线性链表、稀疏数组与队列、单向链表
- Android软键盘适配问题
- java 基础 String str= “abc god 中国 java“ 反转每个单词 结果: “cba dog 国中
- 手游传奇有挂吗_传奇手游辅助工具
- 提问:微信网页授权到第三方调用错误、调用微信公众号扫码登陆错误、微信SCOP权限错误或没有权限
- 项目管理关键路径确定方法
- AStyle2.02在VS2008下的使用
- 基于百度接口的手机无广告浏览器设计
- ICANN近日将更改DNS信任密钥中的密钥对
- ioncube扩展的安装详细图文教程,适合所有新手
- seo查询工具源码_英文SEO站群建设(下):站群通过自我复制外链获得权重
- 一文带你搞懂工厂设计模式
- 小白在学习编程的道路上该如何杀出一条血路
- Android使用XMPP框架实现即时聊天(IM)功能(Openfire + Smack)
- 魄罗盒子一直显示连接服务器失败,英雄联盟安装错误代码7001004怎么办 | 手游网游页游攻略大全...