为群众计数重新设计多级神经网络
概括
这项研究引入了群众计数的新层次方法,增强了多层次神经网络的性能. 重新设计的网络通过有效地合并密度图和引入新的损失函数来更好地估计人群密度,从而提高了准确性.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 人工智能的人工智能
背景情况:
- 由于视角扭曲和人群变化,人群计数具有挑战性.
- 现有的多尺度深度神经网络 (DNN) 在合并密度图时遇到每像素性能差异的困难.
研究的目的:
- 重新设计多尺度DNN,以提高人群计数的准确性.
- 解决当前在合并多尺度密度图的方法的局限性.
主要方法:
- 引入了密度专家的层次混合,用于合并多尺度密度图.
- 实施了专家竞争和合作计划,使用像素智能软门网.
- 开发了一种新的相对局部计数损失,补充绝对错误损失.
主要成果:
- 在五个公共人群计数数据集上实现了最先进的性能.
- 证明了分层合并和新损失函数的有效性.
- 拟议的方法显著改善了人群密度估计.
结论:
- 经过重新设计的多层次网络,具有层次专家合并和相对的本地计数损失,提供卓越的人群计数性能.
- 这项工作提供了一种更复杂的方法,用于将多个规模的信息结合到DNN中,用于群众计数.
- 该方法为群众计数任务的准确性设定了新的基准.
