转载请注明作者梦里茶
Towards perspective-free object counting with deep learning，这是一篇发在ECCV 2016上的论文，提出一种多输入的CNN模型来解决Object Counting的问题。
给定一张图片，输出图片中目标对象的个数，比如下面两张图，左图有36个车，右图有8个猪
- Counting by detection 用检测器去检测图中有多少个对象，检测到多少个就认为是多少个
检测有三种方法，整体的检测（图a，检测整个人），部分的检测（图b，检测头），形状的匹配（图c，人的形状抽象成几何图形）
- Counting by Clustering
- 在摄像头捕捉到的连续视频帧里，目标移动时，在多个帧之间的位置比较相近，将这些运动物体在多帧图片之间做聚类，聚类中心的个数就是目标的个数
- 不适用于静止物体
- 优点：无监督
更多细节可看Related work部分的参考文献
- Counting by Regression
- 给定输入图片，ROI，透视图（场景中由远及近的几何关系，用于缩放对象）
- 提取特征（背景分离，边缘检测，纹理识别）
- 学习一种映射，将特征回归到对象数量上
回归又分两种，
- 回归对象数量
- 回归对象密度图
具体讲一下对象密度图：
- 先给出原图和目标对象的坐标（可以根据坐标画出质心图）
- 对质心图做一个高斯滤波，可以得到密度图，作为回归的目标，对质心图进行求和，反过来可以得到目标的数量
进入正题，Hydra CCNN
- 方法： 回归密度图，多尺度输入组合
- 优势：不需要透视图，多尺度鲁棒性，训练简单，误差小
- Regression: 用一个CNN将原始图像映射为对象密度图
其中P是image patch，$$\omega$$是CNN参数
- Conv1, Conv2, Conv3后面都跟着一个max pooling层
- Conv4和Conv5都是卷积层（比全连接层更快，参数更少）
- 对比论文中提到的另一种方法：Zhang et al：卷积后接全连接层，损失为密度图和数量的回归误差，两个损失交替进行优化，CCNN更快，并且训练更简单。
- Loss：
$$l(\omega) = \frac{1}{2N}\sum_{n=1}^{N}||D_{pred}^{(P_n)}-D_{gt}^{(P_n)}||_2^2$$ ，gt是ground truth的意思，这个损失就是求每张图的密度图的预测插值的l2模，然后求平均，N为图片数量 - 训练：滑动窗口将图片划分为多个网格，对每个网格做回归，将回归的密度图拼接成一个完整尺寸的密度图
Hydra: 海德拉是希腊神话中的九头蛇
- Motivation: 多尺度范围内的对象大小不同，会导致计数出错
- Solution: 用多个CCNN各自回归多个尺度的密度图，组合成最终密度图
举个例子：n=3时，也就是回归三个尺度的密度图，
- S0: 整个patch（不是整张图，是一个patch，前面讲了会做滑窗划分）
- S1：在中间抠出面积为2/3的图
- S2：在中间抠出面积为1/3的图
私以为这个地方还有改进空间
- TRANCOS（汽车），UCSD（行人），UCF_CC_50（行人）
- 评价指标： - MAE（Mean Absolute Error） - GAME(Grid Average Mean Absolute Error)：GAME(L) = \frac{1}{N}\sum_{n=1}^{N}\sum_{l=1}^{4^L}|D_{I_n}^{l}-D_{I_n^{gt}}^{l}| - N是图片总数 - L: 对于每张图，划分成$$4^L$$个小格，计算每个小格的误差 - L为0时就是MAE