快速人群密度估计--Multi-scale Convolutional Neural Networks for Crowd Counting

最新推荐文章于 2023-05-16 13:48:52 发布
原创 最新推荐文章于 2023-05-16 13:48:52 发布 · 4k 阅读 · 7 ·
CC 4.0 BY-SA版权
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。

本文介绍了一种针对人群密度估计问题的多尺度卷积神经网络(MSCNN)方法。该方法通过使用不同大小的卷积核来捕获人群图像中的多尺度特征，有效地解决了图像中人头尺寸变化的问题，并显著减少了网络参数量。实验结果表明，MSCNN在ShanghaiTech和UCFCC50数据集上取得了较好的效果。

Multi-scale Convolutional Neural Networks for Crowd Counting

https://arxiv.org/abs/1702.02359

对于人群密度估计问题，由于图像中 scale variations problem，所以提出使用多个CNN来解决 Multi-column/network。使用多个CNN网络导致 网络的参数数量增加，计算量增加，不利于在实际中应用部署。

这里我们采用文献【15】中的 naive Inception module 使用 multi-scale convolutional neural network (MSCNN) 来学习 scale-relevant density maps
极大的减少了网络的参数量！

2 Multi-scale CNN for Crowd Counting
Multi-scale convolutional neural network for crowd counting
这里写图片描述
网络包括三个模块：feature remapping, multi-scale feature extraction, and density map regression

Multi-scale blob with different kernel size
这里写图片描述

模型参数设置： The multi-scale CNN architecture
这里写图片描述

loss function
这里写图片描述

训练图像真值密度图根据人头标记的位置 使用 高斯核卷积得到。

实验结果：
ShanghaiTech dataset
这里写图片描述

这里写图片描述

UCF CC 50 dataset
这里写图片描述

《Multi-scale Convolutional Neural Networks for Crowd Counting》论文笔记
杨的博客
01-10 2129
Multi-scale Convolutional Neural Networks for Crowd Counting论文地址论文翻译ABSTRACT1. INTRODUCTION2. MULTI-SCALE CNN FOR CROWD COUNTING2.1. Multi-scale Network Architecture2.2. Scale-relevant Density Map2.3....
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 2565
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
[MICCAI2019] Multi Scale Curriculum CNN for Context-Aware Breast MRI Malignancy Classification
xby的学习笔记存档处
08-24 1167
作者信息 Christoph Haarburger，RWTH Aachen University, Germany curriculum learning
R-CNN系列阅读笔记(1): R-CNN
Solomon1558的专栏
12-31 1585
前言：博主目前的研究课题为“可见光遥感图像目标检测”，研究兴趣是大尺寸高分辨率遥感图像上多尺度目标及小物体检测。为了整理阅读过的文献，梳理研究思路，记录自己的理解感悟，遂开启一个“物体检测系列博客”。     R-CNN系列综述及阅读笔记主要梳理R-CNN的思想及研究进展，细分为概述性文章和论文阅读笔记。 转载请注明文章出处:  论文 Rich feature hierarchies for
深度学习（二十五）基于Mutil-Scale CNN的图片语义分割、法向量估计
热门推荐
hjimce的专栏
12-31 1万+
以为作者要采用mutil-task多任务特征学习的方法，用于估计单幅图像的深度、法向量、语义分割三个任务。还以为paper即将采用跟文献《Facial Landmark Detection by Deep Multi-task Learning》一样的思想，进行提高精度，最后仔细通读全文才知道，其实这三个任务是独立的，不是传说中的“多任务特征学习”，终于松了一口气（因为之前看《机器学习及其应用2015》这本书的第一章的时候，讲到了“鲁邦多任务特征学习”，觉得好难，看不懂，所以就对多任务特征学习有点害怕）。这
2016_Single-image crowd counting via multi-column convolutional neural network
weixin_43051446的博客
06-03 772
Single-image crowd counting via multi-column convolutional neural network说明概括一、Challenges二、Contributions三、几何自适应高斯核生成密度图（如何将带有标记的人头的图像转换为密度图）四、Multi-column CNN五、实验参考文献 说明 本文是对以下这篇文章的总结。 Zhang Y, Zhou D, Chen S, et al. Single-image crowd counting via multi-c
2015_Cross-scene crowd counting via deep convolutional neural networks
weixin_43051446的博客
06-03 690
Cross-scene crowd counting via deep convolutional neural networks说明概括一、Introduction二、方法三、模型四、针对目标场景的非参数微调五、实验参考文献 说明 本文是对以下这篇文章的总结及部分翻译。 Zhang C, Li H, Wang X, et al. Cross-scene crowd counting via deep convolutional neural networks[C]//CVPR. 2015: 833-841
Cross-scene Crowd Counting via Deep Convolutional Neural Networks
m0_37973735的博客
12-14 1592
Abstract 跨场景人群计数是一个困难任务。目前大多数人群计数方法当应用到一个从未见过的场景中时，性能都会有大幅下降。我们提出了一种CNN，可以被选择训练来进行人群密度和人群计数，这种可切换式的学习途径能获得更好的局部最优解。针对从未见过的目标人群场景，我们提出了一种数据驱动的方法微调训练好的CNN模型来达到目的。提出了一个新的数据集。 Introduction 人群计数是一个具有挑战性的任务...
代码已开源！多分支多尺度CNN在强噪声变载荷条件下轮对轴承故障诊断中的应用
weixin_51036112的博客
05-16 2264
高速列车轮对轴承故障诊断的关键问题是从振动信号中提取故障特征。针对复杂度高、耦合性强、信噪比低的振动信号，提出了一种新的多分支多尺度卷积神经网络，能够从振动信号的多个信号分量和时间尺度中自动学习和融合丰富且互补的故障信息。该方法结合了传统的滤波方法和多尺度学习的思想，可以扩展特征学习过程的广度和深度。因此，所提出的网络可以得到更好的性能。在轮对轴承数据集上的实验结果表明，该方法具有较好的抗逆能力和载荷域适应性，与现有的5种网络相比，可以更准确地诊断12种故障类型。
论文笔记 MSCNN：A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection
xiaoxiang_AQ 的博客
09-06 1万+
最新看到的一篇关于多尺度下快速目标检测的论文，大概得浏览了一下，是UCSD大学的SVCL实验室和IBM研究院一起研究的结果。其代码已经开源到GitHub，链接为：https://github.com/zhaoweicai/mscnn 这篇文章主要解决多尺度同时存在时的检索问题，设计了MSCNN网络，提出了两点创新： （1）针对多尺度问题：    类似于FCNT跟踪方法，该文章也是观察
matlabsi模型代码-Multi-scale-CNN-Dehazing:通过多尺度卷积神经网络进行单幅图像去雾，ECCV2016
06-18
matlab si模型代码ECCV-通过多尺度卷积神经网络进行单幅图像去雾 任文奇、刘思、张华、潘金山、曹晓春、杨明轩 2016 年 10 月 10 日发布。 这些代码基于 MatConvNet。 描述 这是 ECCV16 论文的测试实现：Single Image Dehazing via Multi-scale Convolutional Neural Networks。 我们提供测试演示以及预训练模型。 脚本和预训练模型 这是我们在 ECCV16 中的去雾论文的演示实现。 此测试代码基于 MatConvNet 工具箱。 您应该首先在您的计算机上编译 MatConvNet，然后使用“demo_MSCNNdehazing.m”来测试您的图像。 “MSCNN_dehazing\matlab”文件夹中当前发布的编译版本可以直接在Win7电脑上使用。 引文 @inproceedings{Ren-ECCV-2016, 作者 = {任、文奇与刘、司与张、华与潘、金山与曹、小春与杨、明轩}， title = {通过多尺度卷积神经网络进行单图像去雾}， booktitle = {欧洲计算机视觉会议}
Multi-Frame Video Super-Resolution Using Convolutional Neural Networks
03-05
Multi-Frame Video Super-Resolution Using Convolutional Neural Networks
MultiScaleConvNets
Larkii 的博客
03-16 395
1. 概述 网络结构如图1所示。作者训练一个融合多尺度特征的网络来预测透射图，通过选择传输图t(x)中0.1%最暗像素来估计大气光 A 。在这些像素中，选取对应的朦胧图像 I 中强度最高的像素作为大气光。 网络输出的透射图尺寸与GT相同，去掉上、下采样虽能达到同样效果但是损害了模型性能。作者通过将前一层的一个像素点赋予后一层4个像素点同样的值来实现上采样。 图1 网络结构 作者修改了原始大气散射...
人群计数--Switching Convolutional Neural Network for Crowd Counting
AI小作坊 的博客
09-06 9094
Switching Convolutional Neural Network for Crowd Counting CVPR2017 Code for SCNN is based on Lasagne\Theano :https://github.com/val-iisc/crowd-counting-scnn 针对人群密度估计问题提出了一个 Switch-CNN网络，大的思路...
[Paper 学习笔记] Effcient Multi-Scale 3D CNN with fully connected CRF for Brain Lesion Segmentation
Dania的思考与记录
06-28 6745
上一篇介绍了用于简单提取2D图像特征的方法，手头项目的数据却是3D图像，希望这一篇能给我一些新的思路。 http://blog.youkuaiyun.com/sinat_31824577/article/details/51775329一、简介提出一个双路径，11层的用于脑损伤图像分割的3D卷积神经网络。将并联的图像Patch合并可降低计算3D脑图像的计算复杂度、消除数据中的类内不平衡。为了试用局部和更大的内
多尺度动态图卷积神经网络----Multi-scale Dynamic Graph Convolutional Network for Hyperspectral Image Classificati
你这个代码我看不懂的博客
04-06 1万+
一、摘要 卷积神经网络（CNN）在表示高光谱图像和实现高光谱图像分类方面表现出令人印象深刻的能力。然而，传统的CNN模型只能对固定大小和权重的规则正方形图像区域进行卷积，因此不能普遍适用于具有不同对象分布和几何外观的不同局部区域。因此，它们的分类性能仍有待提高，尤其是在类边界方面。为了缓解这一缺点，我们考虑采用最近提出的图卷积网络（GCN）进行高光谱图像分类，因为它可以对任意结构的非欧几里德数据进行卷积，并且适用于由图拓扑信息表示的不规则图像区域。与常用的GCN模型工作在固定图上不同，我们使图能够随着图卷积
多尺度优化的CNN目标检测算法
Yan
06-10 6865
每天一分钟，带你读遍机器人顶级会议文章 标题：Recurrent Scale Approximation for Object Detection in CNN 作者：Yu Liu, Hongyang Li, Junjie Yan, Fangyin Wei, Xiaogang Wang, Xiaoou Tang 来源：ICCV 2017 ( IEEE International Confer...
论文阅读——Multi-scale Domain-adversarial Multiple-instance CNN for Cancer Subtype Classification
qq_37151108的博客
07-09 7306
论文阅读之Multi-scale Domain-adversarial Multiple-instance CNN for Cancer Subtype Classification with Unannotated Histopathological Images from CVPR2020 Abstract 本文提出了一种基于无标注病理图像进行癌症亚型分类的方法，可在全切片图WSI上自动外甥女成癌症区域的检测。主要难点有：
（1）一片完整的病理组织切片全景图像的尺寸就高达4000040000，在WSI上
论文笔记：Switching Convolutional Neural Network for Crowd Counting
super_chicken的博客
06-11 1896
Switching Convolutional Neural Network for Crowd Counting 概要 文章提出了一种人群计数模型，实现了从密集人群图像到其密度分布的映射。密集人群计数问题的难点包括人头互相遮盖、人群与背景相似度高以及图像拍摄视角各不相同等，此前效果较好的人群计数网络使用了多尺寸CNN、循环网络或多列CNN特征融合的方法来处理这些问题。作者提出了选择卷积神经网...
Single-Image Crowd Counting via Multi-Column Convolutional Neural Network
最新发布
07-27
### 人群计数中的多列卷积神经网络方法 人群计数是一项在计算机视觉中广泛应用的技术，尤其在监控和公共安全领域。传统的图像处理方法往往难以应对复杂的场景变化，例如拥挤程度、视角差异以及遮挡等问题。因此，基于深度学习的方法逐渐成为主流，其中多列卷积神经网络（Multi-Column Convolutional Neural Network, MCNN）因其在单图像人群计数任务中的卓越表现而受到广泛关注。 MCNN方法通过引入多个并行的卷积神经网络列来处理输入图像，每列网络具有不同的感受野尺寸。这种方法能够捕捉不同尺度的特征信息，从而更有效地应对人群分布的多样性。具体来说，MCNN包含三路并行的CNN，每路CNN采用相同的网络结构，包括卷积层、池化层和ReLU激活函数。尽管结构相同，但各列之间的差异在于卷积核的尺度和数量。为了减少计算复杂度，对于较大尺寸的卷积核，采用较少的数量[^4]。 在特征提取完成后，各列的输出特征图在通道维度上进行堆叠，随后通过1×1卷积核将这些特征映射为密度图。密度图的生成是人群计数任务的核心，它能够反映出图像中人群密度的分布情况。为了评估模型的性能，通常使用欧氏距离作为损失函数来衡量预测密度图与真实标签之间的差异[^4]。 MCNN方法的一个重要优势在于其对多尺度特征的有效建模能力。由于不同场景下人群的分布可能差异较大，单一尺度的感受野难以适应所有情况。通过多列网络的设计，MCNN能够在不同尺度上提取特征，从而提高模型的鲁棒性和泛化能力。 此外，MCNN的结构设计也具有一定的灵活性。可以根据实际需求调整各列网络的卷积核尺寸和数量，以适应不同的应用场景。例如，在处理高密度人群图像时，可以增加较大感受野的列，以更好地捕捉全局信息；而在处理低密度人群图像时，则可以更多地关注局部细节。 ### 代码示例 以下是一个简化的MCNN模型实现示例，展示了如何构建多列卷积神经网络来完成人群计数任务： ```python import torch import torch.nn as nn class MCNN(nn.Module): def __init__(self): super(MCNN, self).__init__() # 第一列 CNN self.column1 = nn.Sequential( nn.Conv2d(3, 16, kernel_size=5, padding=2), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2), nn.Conv2d(16, 8, kernel_size=5, padding=2), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2) ) # 第二列 CNN self.column2 = nn.Sequential( nn.Conv2d(3, 16, kernel_size=7, padding=3), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2), nn.Conv2d(16, 8, kernel_size=7, padding=3), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2) ) # 第三列 CNN self.column3 = nn.Sequential( nn.Conv2d(3, 16, kernel_size=9, padding=4), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2), nn.Conv2d(16, 8, kernel_size=9, padding=4), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2) ) # 1x1 卷积用于生成密度图 self.final_conv = nn.Conv2d(24, 1, kernel_size=1) def forward(self, x): out1 = self.column1(x) out2 = self.column2(x) out3 = self.column3(x) # 特征图在通道维度上拼接 combined = torch.cat((out1, out2, out3), dim=1) # 生成密度图 density_map = self.final_conv(combined) return density_map ``` 在上述代码中，`MCNN`类定义了一个包含三列卷积神经网络的模型。每列网络的结构相似，但卷积核的尺寸不同，分别为5×5、7×7和9×9。通过这种方式，模型能够在不同尺度上提取特征。最后，将三列网络的输出在通道维度上进行拼接，并通过1×1卷积层生成最终的密度图输出。 ### 总结 MCNN方法通过多列卷积神经网络的设计，能够有效地捕捉不同尺度的特征信息，从而在单图像人群计数任务中取得了良好的性能。该方法不仅在理论上具有较强的解释性，而且在实际应用中也表现出较高的灵活性和鲁棒性。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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