qq_42371462的博客

DM_count这是继Bayes Loss之后又一针对损失函数提出的人群计数方法。着眼点：损失函数；分布匹配；存在的问题：使用高斯模糊生成真值密度图：论文中提到生成的密度图是一个密集的真值矩阵，而点注释图是一个稀疏的二值矩阵，由于这些稀疏的点在稀疏的二值矩阵中分布不平衡，因此很难训练预测的密度图与点注释图。缓解该问题的一个方法是将每个标注点变成一个高斯斑点，这样真值会更平衡，网络更容易训练。经过这种方法训练出来的网络高度依赖生成的真值密度图的质量，但是在拥挤的场景中，考虑到人的大小和形状变化，

人群计数一般的研究角度：多尺度问题；背景噪音问题；密度的高估或低估；高质量的密度图；上下文信息；迁移学习；虚拟数据；损失函数等等；该论文针对角度分别为多尺度；背景噪音；人群不均匀分布；生成高质量密度图；并且针对不同的问题从特殊的角度采取了不一样的方式提出了4种不同的网络结构进行解决。多尺度解决思想：尽可能多的在网络中包含不同尺寸大小的感受野，扩大尺度感知。解决方案Skip-connection.将多个多尺度单元进行连接以增加不同感受野的数目。多尺度单元采取的是Skip-connectio.

Bayes Loss人群计数的技术路线：Bayes Loss一文中针对损失函数部分进行改进。考虑到传统生成真值图的方法会带来一定的误差，所以直接使用标注点信息。为了将标注点信息与生成的估计密度图上进行数值匹配，故采取贝叶斯估计中后验概率蒙版，与估计密度图相乘再相加，得到一个期望值。这个期望值表示yn在整个密度图中出现的概率。由于期望该点有人的概率是1，因此BayesLoss可以表示为：其中E[Cn]的求法如下：在测试阶段，由于没有标注信息，不知道目标点