研究成果|编码-解码多尺度卷积神经网络人群计数方法

Posted 西安建大人工智能与机器人研究所

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了研究成果|编码-解码多尺度卷积神经网络人群计数方法相关的知识,希望对你有一定的参考价值。





西安建筑科技大学
人工智能与机器人研究所
研究成果|编码-解码多尺度卷积神经网络人群计数方法
研究成果|编码-解码多尺度卷积神经网络人群计数方法
研究成果|编码-解码多尺度卷积神经网络人群计数方法
研究成果|编码-解码多尺度卷积神经网络人群计数方法
关键词: 人群计数; 编码-解码结构; 多尺度; 空洞空间金字塔池化; 计数误差; 损失函数
DOI: 1 0 . 765 2 / xj tubx 2 020 05020

研究成果|编码-解码多尺度卷积神经网络人群计数方法

2020年5月,国内知名、EI检索学术期刊《西安交通大学学报》发表了一篇我所科研团队题为“编码-解码多尺度卷积神经网络人群计数方法”的研究论文。

研究成果|编码-解码多尺度卷积神经网络人群计数方法

随着国民经济迅猛发展及城市化进度不断加快,城市人口数量急剧增加,由此带来的社会问题也不断增加,例如:人员拥挤导致踩踏等不安全事故的发生;候车大厅人员的增加对交通调度带来的压力等。解决上述问题需要准确预测出实际场景下的人群数量,而图像可以清晰直观的反映出实际场景中的人群变化情况,因此基于图像信息的人群密度估计与计数有重要的研究意义。

研究成果|编码-解码多尺度卷积神经网络人群计数方法

本研究基于多列卷积神经网络人群密度估计方法,针对基于多列卷积神经网络的人群计数方法存在的多尺度特征信息丢失、融合不佳以及密度图质量不高等问题,提出了一种编码-解码架构的多尺度卷积神经网络人群计数方法。网络编码器采用多列卷积捕获多尺度特征,通过空洞卷积和空间金字塔池化结构扩大感受野并降低参数量,保留尺度特征和图像的上下文信息;解码器对编码器输出进行上采样,实现高层语义信息和编码器前端低层特征信息有效融合,从而提升了密度图的输出质量。为增强网络对计数的敏感性,在以往像素空间损失的基础上考虑了计数误差描述,提出了一种新的损失函数。


研究成果|编码-解码多尺度卷积神经网络人群计数方法

研究成果|编码-解码多尺度卷积神经网络人群计数方法
研究成果|编码-解码多尺度卷积神经网络人群计数方法
研究成果|编码-解码多尺度卷积神经网络人群计数方法
   

研究成果|编码-解码多尺度卷积神经网络人群计数方法

本研究提出一种基于编码-解码结构的多尺度人群密度估计网络模型,解决了多列卷积神经网络人群计数方法存在的多尺度特征信息丢失、融合不佳以及密度图质量不高等问题。


研究成果|编码-解码多尺度卷积神经网络人群计数方法


研究成果|编码-解码多尺度卷积神经网络人群计数方法


END



图文来源 | 纪拓      
编辑 | 王钜文
审核 | 孟月波

E-Mail:rgznyjqr@xauat.edu

研究所网站:http://xkxy.xauat.edu.cn/rgzn/


以上是关于研究成果|编码-解码多尺度卷积神经网络人群计数方法的主要内容,如果未能解决你的问题,请参考以下文章

基于空洞卷积的多尺度2D特征融合网络

基于空洞卷积的多尺度2D特征融合网络

SpineNet:通过神经架构搜索发现的用于对象检测的新型架构

论文《深度多尺度卷积LSTM网络的出行需求和出发地预测》

CNN计算原理

SIGAI深度学习第九集 卷积神经网络3