DecideNet: Counting Varying Density Crowds Through Attention Guided Detection and Density Estimation

最新推荐文章于 2023-04-29 15:36:02 发布
最新推荐文章于 2023-04-29 15:36:02 发布
阅读量1.1k 收藏 4
点赞数
分类专栏： 论文笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/m0_37973735/article/details/85238920
版权
本文提出一种结合探测和回归的人群计数新方法，针对不同密度人群自适应调整权重，实验表明该方法优于现有技术。采用DecideNet网络结构，包括用于回归的RegNet、用于探测的DetNet及分配权重的QualityNet。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本文介绍了一种将探测和回归方法结合的方法。作者发现，探测方法对于低密度的人群计算效果比回归方法好，而对于高密度的人群计数则正好相反，由此产生灵感。
本文的主要贡献在于：
1.提出一种探测和回归结合的方法。
2.提出了DecideNet网络。这种网络可以根据人群密度的变化自适应地调整探测和回归两种方法的权重。
3.经过实验，这是目前最优的方法。

本文的网络结构如下：


在这里插入图片描述

可以看出包含了三个网络：RegNet、QualityNet、DetNet。

RegNet就是用回归的方法计算密度图的网络，比较普通。为了获得更多的环境信息，使用了比较大的感受野（7×7、5×5）。
DetNet本质上是一个人脸探测器，通过定下人脸的位置来获取人群密度，只能用于稀疏地方。
QualityNet是一个分配权重的网络。

可以改进的地方：
参数过多，RNet和QNet均使用了大感受野，而且是一个三列网络结构。
RegNet没有考虑尺度。
DetNet本质上是利用人脸检测的方法来生成一幅密度图，仍然是利用了深度学习的方法，能否考虑使用传统方法，或者已经训练好的人脸探测器？

人群计数最全代码、数据、论文合集
jacke121的专栏
03-15 9469
2021.11.19更新： 人群计数 /Crowd Counting Rethinking Counting and Localization in Crowds:A Purely Point-Based Framework(Oral) 论文/paper：https://arxiv.org/abs/2107.12746 代码/code：GitHub - TencentYoutuResearch/CrowdCounting-P2PNet: The official codes for the ICC.
《LOCALITY-CONSTRAINED SPATIAL TRANSFORMER NETWORKFOR VIDEO CROWD COUNTING》论文笔记
杨的博客
01-27 1886
LOCALITY-CONSTRAINED SPATIAL TRANSFORMER NETWORKFOR VIDEO CROWD COUNTING论文地址论文翻译ABSTRACT1. INTRODUCTION2. RELATED WORK3. OUR APPROACH3.1. Density map regression module3.2. LST module4. EXPERIMENTS5. C...
人群密度估计--DecideNet: Counting Varying Density Crowds Through Attention Guided Detection and Density
cxm4399的博客
06-27 1099
2018 CVPR 1.Abstract 基于检测的计数方法将在低密度场景中准确估计人群，同时降低其在拥挤区域的可靠性。 另一方面，基于回归的方法捕获拥挤区域中的一般密度信息。在不知道每个人的位置的情况下，它倾向于高估低密度区域中的计数。 本文的思路就是将 检测方法和回归方法结合起来，各取所长。 2. Related works 3. Crowd Counting by DecideNet 两条...
基于图像的人群计数研究（论文阅读笔记）
浅浅记录一下吧。
07-27 6593
基于图像的人群计数研究（论文阅读笔记） 一、人群计数研究的问题 人群计数旨在估计图像或视频中人群的数量、密度或分布，属于目标计数领域中的一类，既是智能视频监控分析领域的关键问题和研究热点，也是后续行为分析、拥塞分析、异常检测和事件检测等高级视频处理任务的基础。 二、人群计数研究的发展 1 传统的 通过传统的计算机视觉方法提取行人特征，然后通过目标检测或回归的方式获取图像或视频中人群的数量。无法从图像中提取更抽象的有助于完成人群计数任务的语义特征，使得面对背景复杂、人群密集、遮挡严重的场景时，计数精度无法满足
深度学习：人群密度估计CSRNet(cvpr 2018)论文源代码详解
m0_46654197的博客
09-29 8075
写在前面 大二上学期，刚刚开始从事DL的学习，CSRNet是我所看的第一篇论文，我之前找遍全网，都没有找到一篇完整的对代码的解析，所以我自己花了几天的时间，细看了CSRNet的pytorch代码，所以打算来写我的第一篇博客，对CSRNet的代码做一个详细的解析。 代码当中的细节很多，需要 ...
Occluded Pedestrian Detection Through Guided Attention in CNNs
06-13
cvpr 2018 paper Occluded Pedestrian Detection Through Guided Attention in CNNs
Multi-Scale Attention Network for Crowd Counting：用于人群计数的多尺度注意网络
qq_37973756的博客
05-11 2483
Multi-Scale Attention Network for Crowd Counting：用于人群计数的多尺度注意网络Multi-Scale Attention Network for Crowd CountingAbstract（摘要）1. Introduction2. Ralated Work3. Our approach3.1 Baseline network for crowd counting3.2. Scale-aware soft attention masks(尺度感知的软注意力掩
（十：2020.08.28）CVPR 2018 追踪之论文纲要（译）
Jojo论文基地
08-28 7539
CVPR 2018 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这979篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
人群密度统计网络思路笔记
muyun0211的博客
12-02 5185
1、CNN-based Cascaded Multi-task Learning of High-level Prior and Density Estimation for Crowd Counting                               Two sub tasks: crowd count classification and density map estima...
CSRNet-pytorch.zip
09-04
使用pytorch实现了CSRNet人群计数模型的复现，如果下载文档之后有任何问题均可以私信博主进行讨论
New Features and Insights for Pedestrian Detection
11-12
本文提出了行人检测的新的特征，在现有的行人检测中效果较好，可以参考
人群密度分析算法调研
热门推荐
abrams90的专栏
02-01 1万+
概述 人群行为分析算法分为四个主要方向： 1、行人检测(Pedestrian Detection) 2、人群计数(Crowd Counting) 3、人群密度分析(Crowd Density Estimation) 4、人群状态分析(Crowd Behaviour Analysis) 人群计数与人群密度分析为其中重要的组成内容。人群计数与人群密度分析算法通常的方法大致可以分为三种:
【五一创作】[论文笔记]图片人群计数CSRNet,Switch-CNN
专注“目标检测”领域技术分享
04-29 1665
应用最最广泛的：e, is the most widely used while working with counting problems.简单实现版本：https://github.com/CommissarMa/CSRNet-pytorch优势：（1）更大的感受野to deliver larger reception fields（2）在不扩大网络复杂性。
人群密度估计--Spatiotemporal Modeling for Crowd Counting in Videos
AI小作坊 的博客
09-19 3095
Spatiotemporal Modeling for Crowd Counting in Videos ICCV2017针对视频人群密度估计问题，这里主要侧重视频中的 temporal information，使用 convolutionalLSTM(ConvLSTM) 的一个变体 a bidirectional ConvLSTM model 来提取当前帧的前后帧信息提升人群密度估计当前基于回
目标检测 - YOLO9000 : Better, Faster, Stronger
AI小作坊 的博客
02-09 3626
YOLO9000 : Better, Faster, Strongercode: http://pjreddie.com/darknet/yolo/本文主要有两点： 1）改进YOLO，提出了 YOLOv2,速度快，效果好。67 FPS, YOLOv2 gets 76.8 mAP on VOC 2007； 40 FPS, YOLOv2 gets 78.6mAP 2）将检测和分类训练
人群密度估计--Leveraging Unlabeled Data for Crowd Counting by Learning to Rank
AI小作坊 的博客
03-19 3964
Leveraging Unlabeled Data for Crowd Counting by Learning to Rank CVPR2018 https://github.com/xialeiliu/CrowdCountingCVPR18 本文针对人群密度估计训练数据库规模很小的问题 提出了使用未标定数据来 self-supervised，具体通过 Learning to Rank ...
+--------------+---------+ | 列名 | 类型 | +--------------+---------+ | id | int | | name | varchar | | salary | int | | departmentId | int | +--------------+---------+ 在 SQL 中，id是此表的主键。 departmentId 是 Department 表中 id 的外键（在 Pandas 中称为 join key）。 此表的每一行都表示员工的 id、姓名和工资。它还包含他们所在部门的 id。 表： Department +-------------+---------+ | 列名 | 类型 | +-------------+---------+ | id | int | | name | varchar | +-------------+---------+ 在 SQL 中，id 是此表的主键列。 此表的每一行都表示一个部门的 id 及其名称。 查找出每个部门中薪资最高的员工。 按 任意顺序 返回结果表。 查询结果格式如下例所示。 示例 1: 输入： Employee 表: +----+-------+--------+--------------+ | id | name | salary | departmentId | +----+-------+--------+--------------+ | 1 | Joe | 70000 | 1 | | 2 | Jim | 90000 | 1 | | 3 | Henry | 80000 | 2 | | 4 | Sam | 60000 | 2 | | 5 | Max | 90000 | 1 | +----+-------+--------+--------------+ Department 表: +----+-------+ | id | name | +----+-------+ | 1 | IT | | 2 | Sales | +----+-------+ 输出： +------------+----------+--------+ | Department | Employee | Salary | +------------+----------+--------+ | IT | Jim | 90000 | | Sales | Henry | 80000 | | IT | Max | 90000 | +------------+----------+--------+ 解释：Max 和 Jim 在 IT 部门的工资都是最高的，Henry 在销售部的工资最高。
最新发布
03-08
<think>嗯，用户问的是如何在SQL中找出每个部门薪资最高的员工，并且输出部门名称、员工姓名和工资。首先，我需要理解这两个表的结构。Employee表里有部门ID，而Department表里有部门名称。用户给的例子显示，IT部门有两个最高薪资的员工，所以结果可能需要处理并列的情况。 首先，可能需要按部门分组，找到每个部门的最高工资。这通常可以通过GROUP BY和MAX函数实现。但问题在于，当有多个员工在同一部门拿到最高工资时，都需要被列出。例如例子中的IT部门，Jim和Max都是90000，所以两个人都要显示。 接下来，如何将Employee表和Department表连接起来，以获取部门名称。这里应该用JOIN，把Employee的departmentId和Department的id关联起来。 不过，直接使用GROUP BY departmentId然后取MAX(salary)只能得到每个部门的最高工资，但无法直接得到对应的员工信息，因为GROUP BY后只能选择聚合字段或分组字段。这时候可能需要子查询或者窗口函数。 在SQL中，窗口函数如RANK() OVER (PARTITION BY departmentId ORDER BY salary DESC)可以给每个部门的员工按工资排序，然后选出排名为1的员工。这种方法可以处理多个员工并列的情况。 另一种方法是先找到每个部门的最高工资，然后通过INNER JOIN将原表与这个结果连接，条件是部门ID相同且工资等于最高工资。这样可以确保所有达到最高工资的员工都被选中。 在用户提供的示例中，输出包括了两个IT部门的员工，所以必须确保查询能够返回多个员工。因此，使用窗口函数或者子查询加JOIN的方法比较合适。 然后需要考虑不同数据库的兼容性，比如MySQL是否支持窗口函数。如果支持的话，使用RANK()或DENSE_RANK()会更方便。否则，可能需要用子查询先获取每个部门的最高工资，再和Employee表连接。 另外，用户提到在Pandas中的join key，不过问题是在SQL中的解决方法，所以可能不需要考虑Pandas的处理方式。 最后，结果需要按任意顺序返回，所以不需要ORDER BY。输出格式要求包括部门名称、员工姓名和薪资，所以JOIN Department表是必须的。 可能的步骤： 1. 使用窗口函数在每个部门内按薪资降序排名。 2. 筛选出排名为1的记录。 3. 连接Department表以获取部门名称。 或者： 1. 子查询获取每个部门的最高工资。 2. 将Employee表与该子查询连接，匹配部门ID和工资等于最高工资。 3. 再连接Department表获取部门名称。 需要测试这两种方法的正确性，并确保在出现并列时能返回所有符合条件的员工。</think>### **解决方案：查找各部门最高薪资员工** --- #### **1. 使用窗口函数（推荐）** 通过 `RANK()` 窗口函数按部门分区并排序薪资，筛选出各部门最高薪资员工： ```sql SELECT d.name AS Department, e.name AS Employee, e.salary AS Salary FROM ( SELECT *, RANK() OVER (PARTITION BY departmentId ORDER BY salary DESC) AS rk FROM Employee ) e JOIN Department d ON e.departmentId = d.id WHERE e.rk = 1; ``` **关键点解释**： - `RANK()` 会为每个部门内的员工按薪资降序排名（允许并列第一）。 - 筛选 `rk = 1` 获取各部门最高薪资员工（包含所有并列情况）。 - 使用 `JOIN` 关联部门表获取部门名称。 --- #### **2. 使用子查询 + JOIN** 先查询各部门最高薪资，再通过 `INNER JOIN` 匹配员工数据： ```sql SELECT d.name AS Department, e.name AS Employee, e.salary AS Salary FROM Employee e JOIN Department d ON e.departmentId = d.id WHERE (e.departmentId, e.salary) IN ( SELECT departmentId, MAX(salary) FROM Employee GROUP BY departmentId ); ``` **关键点解释**： - 子查询 `(SELECT departmentId, MAX(salary) ...)` 获取各部门最高薪资。 - `WHERE (departmentId, salary) IN ...` 匹配符合条件的员工（自动处理并列情况）。 - 兼容性更好（适用于不支持窗口函数的数据库）。 --- ### **结果验证（与示例一致）** 输入数据： ```sql Employee 表: | id | name | salary | departmentId | | 1 | Joe | 70000 | 1 | | 2 | Jim | 90000 | 1 | | 3 | Henry | 80000 | 2 | | 4 | Sam | 60000 | 2 | | 5 | Max | 90000 | 1 | Department 表: | id | name | | 1 | IT | | 2 | Sales | ``` **输出**： ``` +------------+----------+--------+ | Department | Employee | Salary | +------------+----------+--------+ | IT | Jim | 90000 | | IT | Max | 90000 | | Sales | Henry | 80000 | +------------+----------+--------+ ``` --- ### **方案对比** | 方法 | 优点 | 缺点 | |--------------------|-------------------------------|-------------------------| | 窗口函数 (`RANK()`) | 简洁直观，直接处理并列情况 | 部分老旧数据库不支持 | | 子查询 + `JOIN` | 兼容性强，适用于所有SQL环境 | 代码稍显冗长 | --- ### **常见问题** 1. **为何不用 `DENSE_RANK` 或 `ROW_NUMBER`？** - `RANK()` 和 `DENSE_RANK()` 都会为并列值分配相同排名，但示例中需要保留所有最高薪资员工，因此两者均可。 - `ROW_NUMBER()` 会强制排序不并列（即使薪资相同），可能导致遗漏部分员工。 2. **如何处理部门名称缺失的情况？** 使用 `LEFT JOIN` 替代 `JOIN`，但根据题意，`departmentId` 是有效外键，无需处理缺失。 3. **如果要求仅返回一个最高薪资员工（去重）怎么办？** 改用 `ROW_NUMBER()` 并添加排序条件（如 `ORDER BY salary DESC, id ASC`）。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值