Towards perspective-free object counting with deep learning
ECCV2016
https://github.com/gramuah/ccnn

本文針對人車密度估計問題，主要做了兩個工作：1）提出了一個 novel convolutional neural network：Counting CNN (CCNN)，將圖像塊回歸到密度圖，2）第二個工作就是 提出了一個 scale-aware counting model，Hydra CNN，用于學習 multiscale non-linear regression model

這里我們將人車密度估計問題轉為回歸問題

3 Deep learning to count objects
3.1 Counting objects model
ground truth density map D 真值密度圖 由 高斯核對人車位置進行卷積得到，有了密度圖通過積分得到圖像中總的人車數

3.2 The Counting CNN

這個網絡使用了兩個 max-pooling，輸入尺寸是 72x72 ，輸出的密度圖尺寸是18x18 變為原來的 1/4

Given a test image, we first densely extract image patches
給定一張測試圖像，我們從圖像中提出很多重疊的圖像塊，對圖像塊進行密度估計，再有這些圖像塊密度圖組合為完整圖像的密度估計圖

3.3 The Hydra CNN
對于一般的基于回歸的計數模型，通常需要對輸入特征進行 geometric correction， using an annotated perspective map of the scene
為什么需要這個矯正了？ 主要還是 perspective distortion
Technically, the perspective distortion exhibited by an image, causes that features extracted from the same object but at different scene depths would have
a huge difference in values. As a consequence, erroneous results are expected by models which uses a single regression function

這里我們提出一個多尺度CNN組合學習網絡

這個網絡結構的設計參考了文獻【24】

4 Experiments
Vehicle counting results

UCSD dataset

UCSD dataset

UCF CC 50 dataset

總結

以上是生活随笔為你收集整理的人车密度估计--Towards perspective-free object counting with deep learning的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。