论文部分内容阅读
针对现有人群计数算法采用同步人工优化深度学习网络,忽略了网络学习的负面信息,导致大量冗余参数甚至过拟合,进而影响到计数准确性的问题,提出基于多列卷积神经网络MCNN(Multi-column Convolution Neural Network)的参数异步更新算法.首先将单帧图像输入网络,经过三列卷积分别提取不同尺度特征,通过列之间的交互信息学习两列间特征图的关联性;接着,根据优化的交互信息及更新的损失函数异步更新每列参数直至算法收敛;最后采用动态卡尔曼滤波将每列输出密度图进行深度融合,并对融合的密度图中所有像素求和得到图像总人数.实验结果表明,所提算法在UCSD(University of California San Diego)数据集上的平均绝对误差(MAE)比该数据集上最优MAE表现的ic-CNN+McML(Iterative Crowd Counting Convolution Neural Network Multi-column Mutual Learning)减小了1.1％,均方误差(MSE)比该数据集上最优MSE表现的CP-CNN(Contextual Pyramid Convolution Neural Network)减小了4.3％;所提算法在ShanghaiTech Part_A数据集上的MAE比该数据集上最优MAE表现的ic-CNN+McML减小了1.7％,MSE比该数据集上最优MSE表现的ACSCP(Adversarial Cross-Scale Consistency Pursuit)减小了3.2％;在ShanghaiTech Part_B数据集上的MAE和MSE分别比该数据集上最优MAE和MSE表现的ic-CNN+McML减小了18.3％、35.2％;在UCF_CC_50(University of Central Florida Crowd Counting)数据集上的MAE和MSE分别比该数据集上最优MAE和MSE表现的ic-CNN+McML减小了1.9％、9.8％.可见,该算法能有效提高人群计数的准确性和鲁棒性,且允许输入图像具有任意大小或分辨率,能适应检测目标的大尺度变换.