人工智能培训

搜索

​CVPR ​18 论文解读:基于空洞卷积神经网络的高密度人群理解方法 |​ CVP ...

[复制链接]
shlinpin 发表于 2018-4-9 16:20:03 | 显示全部楼层 |阅读模式
shlinpin 2018-4-9 16:20:03 286 0 显示全部楼层
雷锋网() AI科技评论按:本文作者为美国伊利诺伊大学(UIUC)张晓帆,他为 AI科技评论撰写了基于 CVPR录用论文《CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes》的独家解读稿件,未经许可不得转载。
论文地址:
来自北京邮电大学和美国伊利诺伊大学(UIUC)的研究者们提出一种适用于密集人群计数的空洞卷积神经网络模型 CSRNet。该网络模型摆脱以往广泛应用于人群计数的多通道卷积网络方案,在大幅削减网络参数量和网络训练难度的同时,显著提升了人群计数的精度和人群分布密度图的还原度。该研究已被 CVPR 2018接收。
人群计数和人群密度估计有着重要的安防应用场景。随着城市人口的日益增长,在地铁站,商场,各种节日集会中,超额聚集的人群带来潜在危险,极容易造成踩踏、骚乱等悲剧。因此,人群计数和人群的密度分布估计成为安防领域的热门课题。近年来,人群计数的算法性能在与深度学习的结合下得到了很大的提升。
人群计数的目的是找出特定场景中的人数,而人群密度分布估计需要获取空间密度信息和人数(密度图求和)。人群计数的难点在于,场景的变化跨度大,目标的尺度变化不尽相同,人和人、人和景物之间存在不同程度的遮挡等等。如图 1所示,三张图均包含了 95人,但是他们的空间分布完全不同。
qWD6D0Q1QY1fRdf5.jpg
图 1人群计数场景
作者研究发现,被广泛运用在人群计数上的多通道卷积网络(MCNN)存在着结构冗余、参数繁多、训练困难的局限性。此类多通道卷积网络在不同通道上采取大小不等感受域的卷积网络,以适应不同场景(如高、中、低密集程度)的人群计数需要。但研究发现,不同通道学习到的特征重合度很高(图 2),并没有因场景密集程度不同而出现明显差异。多通道网络表现冗余。为作对比,作者采用一个参数更少、更深层、更易训练的单通道卷积网络(A deeper CNN),获得比多通道网络更好的效果(表 1)。
cPA943fLr5Rv5atr.jpg 图 2多通道卷积网络中的大、中、小通道在 ShanghaiTech PartA中的测试表现相似
yh3XXx7JRR6Ukh7R.jpg 表 1更深的单通道卷积网络使用较少参数却在 ShanghaiTech PartA中获得更小误差此外,作者为了避免过度使用降采样而导致密度图的分辨率损失,在网络的后半部分引入了空洞卷积层,利用空洞卷积增大感受域并维持分辨率(图 3),并提出 CSRNet网络模型(表 2)。CSRNet后端四组不同的配置在 ShanghaiTech PartA中性能测试如表 3。
r5OFnlI1YOfjyKi7.jpg
图 3使用卷积+池化+上采样(上)与空洞卷积(下)输出同样分辨率图像,空洞卷积可保留更多图像细节
FS4DVvvDddSFyM4G.jpg 表 2 CSRNet网络结构,卷积以参数命名为(conv kernel size – channel – dilation rate) Lo4CPrD3ZPUPcURV.jpg
表 3 CSRNet的四种后端配置在人群计数中精度对比,其中方案 B精度最高
由于采用比多通道网络更简单的结构,CSRNet在训练时可直接采用端到端训练并快速复现实验结果,也可利用迁移学习提高训练效果。得益于简单、规整的网络结构,CSRNet对硬件实现更加友好,可以高效地部署在物联网设备中。
实验表明,CSRNet在四个公开人群数据集(ShanghaiTech dataset、the UCF CC 50 dataset、the WorldEXPO'10 dataset、the UCSD dataset)和一个车辆数据集(TRANCOS dataset)上均达到了最高水平的精确度(State-of-the-art Performance),详见表 4至表 8。
iqz6SiylZYCc6SQt.jpg
表 4 ShanghaiTech数据集测试结果
JC5822v3V2os2OCW.jpg 表 5 UCF CC 50数据集测试结果
E002ZZDpzME20kX2.jpg 表 6 WorldExpo' 10数据集测试结果
edUqbEdsH96bKc9j.jpg
表 7 UCSD数据集测试结果

wTW66163TTT1zdc5.jpg
表 8 TRANCOS数据集测试结果
雷锋网原创文章,未经授权禁止转载。详情见转载须知。
TT2ttMtT4Qi2t5XV.jpg
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则 返回列表 发新帖

shlinpin当前离线
新手上路

查看:286 | 回复:0

快速回复 返回顶部 返回列表