特征增强损失与前景注意力人群计数网络

摘要：

人群计数旨在准确估计图像中的总人数并呈现其分布.相关数据集中的图像通常涉及各类场景且包含多人.为节约人力,大多数数据集通常在每个人头部以单点标注作为标签.然而,点标签无法囊括人头部的完整范围,使得人群特征与分布标签的匹配难以收敛,预测值无法聚集在前景区域,严重影响密度估计图质量和模型计数准确度.为了解决这个问题,使用计数损失来约束全图上的预测值范围,并佐以像素级的分布一致损失优化密度图匹配过程.此外,复杂场景中存在许多易与人群特征混淆的背景噪声,为了避免假阳性预测对后续计数和密度图估计的干扰,提出前景分割模块和特征增强损失来自适应地聚焦前景区域,并加大前景位置上人头特征对计数的贡献,从而达到抑制背景误判的作用.此外,为了使网络更好地适应人头的多尺度形态,对每个待训练图片分别进行上下采样操作,以获得具有同目标的多尺度形态.在多个数据集上进行了实验,结果表明,与最先进的方法相比,所提方法取得了更好或更有竞争力的结果.

关键词：人群计数、深度学习、前景分割、背景补偿、密度估计

所属期刊栏目：50

分类号：TP391.413(计算技术、计算机技术)

资助基金：国家自然科学基金61972180

在线出版日期：2023-03-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：246-253