-
题名基于多尺度多列卷积神经网络的密集人群计数模型
被引量：9
- 1
-
-
作者
陆金刚
张莉
-
机构
苏州大学计算机科学与技术学院
江苏省计算机信息处理技术重点实验室(苏州大学)
-
出处
《计算机应用》
CSCD
北大核心
2019年第12期3445-3449,共5页
-
基金
江苏省“六大人才高峰”高层次人才项目(XYDXX-054)~~
-
文摘
针对尺度和视角变化导致的监控视频和图像中的人数估计性能差的问题,提出了一种基于多尺度多列卷积神经网络(MsMCNN)的密集人群计数模型。在使用MsMCNN进行特征提取之前,使用高斯滤波器对数据集进行处理得到图像的真实密度图,并且对数据集进行数据增强。MsMCNN以多列卷积神经网络的结构为主干,首先从具有多尺度的多个列中提取特征图;然后,用MsMCNN在同一列上连接具有相同分辨率的特征图,以生成图像的估计密度图;最后,对估计密度图进行积分来完成人群计数的任务。为了验证所提模型的有效性,在Shanghaitech数据集和UCFCC50数据集上进行了实验,与经典模型Crowdnet、多列卷积神经网络(MCNN)、级联多任务学习(CMTL)方法、尺度自适应卷积神经网络(SaCNN)相比,所提模型在Shanghaitech数据集PartA和UCFCC50数据集上平均绝对误差(MAE)分别至少减小了10.6和24.5,均方误差(MSE)分别至少减小了1.8和29.3;在Shanghaitech数据集PartB上也取得了较好的结果。MsMCNN更注重特征提取过程中的浅层特征的结合以及多尺度特征的结合,可以有效减少尺度和视角变化带来的精确度偏低的影响,提升人群计数的性能。
-
关键词
密集人群计数
密度图
卷积神经网络
多尺度
尺度和视角变化
-
Keywords
crowd counting
density map
Convolutional Neural Network(CNN)
multi-scale
perspective and scale variation
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
TP391.4
[自动化与计算机技术—计算机科学与技术]
-
-
题名基于多尺度空间注意力特征融合的人群计数网络
被引量：6
- 2
-
-
作者
杜培德
严华
-
机构
四川大学电子信息学院
-
出处
《计算机应用》
CSCD
北大核心
2021年第2期537-543,共7页
-
基金
国家自然科学基金资助项目(11872069)。
-
文摘
针对严重的尺度变化和遮挡导致在不同密集场景人群计数任务中性能差的问题,在密集场景识别网络(CSRNet)的基础上通过增加多尺度特征融合结构并引入空间注意力机制,提出了一种多尺度空间注意力特征融合网络(MAFNet)。在MAFNet进行特征提取之前,需要对添加了人头标记的场景图进行高斯滤波生成真实密度图;此外,MAFNet还通过联合使用两种基本损失函数的方法来约束密度估计图与真实密度图的一致性。接着,MAFNet以多尺度特征融合结构为主干,首先采用边提取多尺度特征边融合的策略得到多尺度融合特征图,然后使用空间注意力模块对特征图进行校准和再融合,之后通过扩张卷积生成密度估计图,最后对密度估计图逐像素积分得到场景中的人数。为了验证所提出模型的有效性,在四个人群计数数据集(ShanghaiTech、UCF_CC_50、UCF_QRNF和World-Expo’10)上进行了评估。其中ShanghaiTech数据集PartB的实验结果显示,MAFNet与CSRNet相比,平均绝对误差(MAE)降低了34.9%,均方误差(MSE)降低了29.4%。在多个数据集上的实验结果表明,采用注意力机制和多尺度特征融合策略使MAFNet可以提取更多细节信息,减少尺度变化和遮挡带来的影响。
-
关键词
密集人群计数
卷积神经网络
特征融合
注意力机制
多尺度
-
Keywords
dense crowd counting
Convolutional Neural Network(CNN)
feature fusion
attention mechanism
multiscale
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名多尺度注意力机制的双路人群计数网络
- 3
-
-
作者
石祥滨
吕浩杰
-
机构
沈阳航空航天大学计算机学院
-
出处
《沈阳航空航天大学学报》
2023年第3期16-27,共12页
-
基金
国家自然科学基金(项目编号:62171295)
辽宁省自然科学基金(项目编号:2021-MS-266)。
-
文摘
针对密集人群计数任务中人群尺度变化大、背景干扰以及特征融合导致的语义失调问题,提出了一种多尺度注意力机制的双路人群计数网络。网络主要由骨干网络、尺度增强模块、多尺度模块、上下文注意模块、注意力掩膜分支网络组成。首先,尺度增强模块通过捕捉不同尺度下的人群特征,并学习图像上每个特征的重要性,从而增强对尺度快速变化的适应性。其次,多尺度模块通过使用不同膨胀率的空洞卷积在保持原有特征图大小的前提下,对特征图进行多尺度变换,使得网络能够适应不同密度的人群场景。再次,上下文注意模块通过自适应地加权局部和全局上下文信息,实现了特征的融合与优化,以缓解不同级别特征存在的语义失调问题。最后,注意力掩膜分支网络通过生成与输入图像尺度相关的掩膜,降低背景干扰对网络性能的影响。通过这4个模块的相互配合,有效地提高了密集人群计数任务的准确性和稳定性,在多个数据集上的实验结果表明,该方法取得了较好的效果。
-
关键词
密集人群计数
双路人群计数网络
多尺度
损失函数
注意力机制
-
Keywords
dense crowd-counting
two-way crowed counting network
multi-scale
loss function
at-tention mechanism
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-
-
题名基于尺度融合的密集人群计数
被引量：2
- 4
-
-
作者
赵宏伟
徐亮
王冶
安云云
钱华山
-
机构
中国石油大学(华东)计算机科学与技术学院
北京科技大学计算机与通信工程学院
解放军
国网山东省电力公司青岛市黄岛区供电公司
北京超算科技有限公司
-
出处
《计算机系统应用》
2021年第10期1-11,共11页
-
基金
国家自然科学基金(62072469)
国家重点研发计划(2018YFE0116700)
+3 种基金
山东省自然科学基金(ZR2019MF049)
中央高校基本科研业务费专项资金(2015020031)
西海岸人工智能技术创新中心建设专项(2019-1-5,2019-1-6)
上海可信工业控制平台开放项目(TICPSH202003015-ZC)。
-
文摘
现实场景中人群尺度的巨大差异给密集人群计数算法带来了巨大的挑战,因此提出一种基于尺度融合的密集人群计数算法.首先对密度图构建算法进行优化,利用多个头部检测器获取稀疏人群的部分头部尺度,并用径向基差值进行补全,在人群密集区域辅之以距离自适应的人群密度图生成算法,生成更为精确的人群密度图.其次利用移动翻转瓶颈卷积模块设计尺度融合的人群密度图回归神经网络,并加入膨胀卷积模块进一步提升人体头部边缘特征提取能力.最后,通过将人群区域和非人群区域进行区分对人群密度图回归神经网络损失函数进行优化.在实验部分,将该算法在多个数据集上与多个同类算法进行了充分的对比实验与消融实验,实验结果表明提出的方法能够显著提升密集人群计数算法的准确性.
-
关键词
密集人群计数
多尺度
尺度融合
深度学习
密度图
-
Keywords
crowd counting
multi-scale
scale fusion
deep learning
density map
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
