基于自适应策略的人群密度图纠正算法.pdfVIP

第30卷第10期现代计算机

2024年5月25日ModernComputer·23·

文章编号:1007‑1423（2024）10‑0023‑06DOI:10.3969/j.issn.1007‑1423.2024.10.004

基于自适应策略的人群密度图纠正算法

马圣南，严华*

（四川大学电子信息学院，成都610065）

摘要：在人群计数任务中，通常使用高斯核平滑标记点图生成的密度图作为中间训练产物。然而，通过对不同密

度标签生成方式对训练结果的对比实验，发现并验证生成标签与实际情况存在严重偏差。同时，尽管密度图的生成方式不

断被改进，但带来的训练收益十分有限。现有研究主要集中在优化网络结构和损失函数上，却忽视了密度图偏差的校正。

受自适应训练算法的启发，设计了一种自适应密度图纠正算法，该算法动态校准生成的密度图分布，并通过模型预测来减

少真实标记的偏差。这种方法可以融合到几乎所有的基于卷积神经网络（CNN）或自注意力模型（Transformer）的人群计数模

型中，显著提高了模型的准确性和稳健性。在多个人群数据集上的实验结果证明，融合该方法的计数模型实现了更高

的准确度和更强的稳健性。

关键词：人群计数；自适应算法；密度图；深度学习

0引言扩张卷积神经网络。

尽管这些多列网络取得了巨大进步，但它

人群计数技术，作为研究和工业工程的关

们仍然存在信息冗余和结构复杂等缺点。因此，

［1‑2］

键应用，如防止过度拥挤和流量监控，已引

［6］［7］

由CSRNet和SANet代表的单列网络，采用更

起广泛关注。人群计数的关键是学习复杂的人

深层次而非多列结构，引起了更多关注。近期，

群空间信息以及精确的行人个数。传统的人群［8‑9］

许多研究将自注意力模型（Transformer）引入

计数算法通常分为基于检测的方法和基于回归

计数任务，提出了基于自注意力模型网络结构

［3］

的方法。

的新范式，并取得了显著成果。总结来说，基

基于检测的方法通过检测器进行对象计数，

于密度的训练可以帮助模型学习更多的空间信

但容易受到昂贵标注成本的限制。而基于回归

息。然而，生成的密度标签与实际情况之间的

的方法则结合低级特征直接进行全局计数，但偏差也阻碍了计数性能的进一步提升。

在学习全局空间知识方面存在困难。为更好地尽管使用密度图是人群计数领域的主流方

利用空间上下文并降低标注成本，有学者提出法，但生成的训练密度图与实际情况之间存在

［4］

将人群计数视为密度图估计问题。选用人群显著偏差。主要的数据集仅提供点标注，虽能

密度图作为训练过程的中间产物，利用点标记传达个体数量和位置，但缺乏头部大小或角度

生成密度图形式的训练标签，进而