公开(公告)号：CN110020606A

公开(公告)日：2019-07-16

申请号：CN201910186683.7

申请日：2019-03-13

Applicant: 北京工业大学

Inventor： 王素玉 ,  付宇豪 ,  杨滨 ,  于晨 ,  姬庆庆

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种基于多尺度卷积神经网络的人群密度估计方法，在视频监控领域，为了可以提升人群密度估计的准确性，本方法提出了一种基于多尺度卷积神经网络的网络结构，可以在场景中准确地预测人群密度图。本方法通过利用空洞卷积与原始卷积进行不同感受野信息的特征融合，以及融合不同分辨率下特征图不同的层级语义信息，从而生成具有更高质量的人群密度图。实验在当前较为流行的ShanghaiTech数据集、UCF_CC_50数据集以及WorldExpo‘10数据集上进行测试，使用平均绝对误差(MAE)和均方误差(MSE)作为评价标准。结果表明，该网络模型与以往的方法进行对比，降低了MAE值和MSE值，提高了人群密度估计的准确性。

公开(公告)号：CN110020606B

公开(公告)日：2021-03-30

申请号：CN201910186683.7

申请日：2019-03-13

Applicant: 北京工业大学

Inventor： 王素玉 ,  付宇豪 ,  杨滨 ,  于晨 ,  姬庆庆

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种基于多尺度卷积神经网络的人群密度估计方法，在视频监控领域，为了可以提升人群密度估计的准确性，本方法提出了一种基于多尺度卷积神经网络的网络结构，可以在场景中准确地预测人群密度图。本方法通过利用空洞卷积与原始卷积进行不同感受野信息的特征融合，以及融合不同分辨率下特征图不同的层级语义信息，从而生成具有更高质量的人群密度图。实验在当前较为流行的ShanghaiTech数据集、UCF_CC_50数据集以及WorldExpo‘10数据集上进行测试，使用平均绝对误差(MAE)和均方误差(MSE)作为评价标准。结果表明，该网络模型与以往的方法进行对比，降低了MAE值和MSE值，提高了人群密度估计的准确性。