文章目录
-
- 摘要
- 主要贡献
- 主要内容
- 一、FIDT
- 二、LMDS
- 三。I-SSIM loss
摘要
在本文中，我们关注人群定位任务，这是人群分析的一个重要课题。基于回归的方法大多使用卷积神经网络( CNN )对密度图进行回归，在极度稠密的场景中无法准确定位实例，主要原因有两个：
1 ) 密度图由一系列模糊的高斯斑点组成；
2 ) 密度图的稠密区域存在严重的重叠。
为了解决这个问题，我们提出了一种新的用于人群定位任务的聚焦反距离变换(
FIDT
)地图（
Focal Inverse Distance Transform
）。与密度图相比，
FIDT
图准确地描述了人员在密集区域的位置，没有重叠。
基于FIDT映射，提出了一种局部最大检测策略(
LMDS
)来有效地提取每个个体的中心点。
此外，我们引入Independent SSIM (
Independent SSIM，I-SSIM
)损失使模型倾向于学习局部结构信息，更好地识别局部极大值。大量实验表明，所提出的方法在6个人群数据集和1个车辆数据集上具有先进的定位性能。此外，我们发现所提出的方法在消极和极稠密场景上表现出优越的鲁棒性，进一步验证了FIDT映射的有效性。
github链接：FIDTM
主要贡献
其实主要贡献在摘要里面基本都提到了，再细化一下：
- 为了有效应对密集场景下的人群定位任务，我们提出了
FIDT
- 引入
I - SSIM损失
- 基于FIDT地图，设计了一种
局部最大值检测策略LMDS
- 大量的实验表明，所提出的方法达到了先进的定位性能。此外，我们的方法对消极和极度密集的场景具有鲁棒性。
主要内容
下图是这篇论文总的pipeline
在训练阶段，采用MSE损失和提出的I - SSIM损失。在测试阶段，通过LMDS可以得到每个人的位置，最终计数等于局部极大值的个数。此外，边界框可以通过尺寸估计步骤获得。
一、FIDT
一般来说，基于CNN的人群密度估计的方法有三种：基于检测的，基于回归的，
Density map
（密度图）的。
Density map
预测每个像素存在人头点的概率分布，他的标注一般是在人头除点一个点，这种方法计数精度高，位置精度中等，缺点是低密度场景计数精度差（相对另外两类方法而言）。基于归回的方法是直接预测人数，计数精度中等，标记简单，缺点是缺少位置信息，缺乏可解释性。
后来
Inverse Distance Transform
(反距离变换)被用在人群计数领域，相当于把回归和
density map
的的方法结合了。先看
Distance Transform
（距离变换），它是把map上每个像素用到最近标记点的距离来表示
P(x,y)表示map上任意一点(x,y)上的值，B是标记点的集合。
Inverse Distance Transform
(IDT) 就是取倒数, C是常量1，避免除0，也保证值域为[0,1]（P(x,y)取0时I’=1，P(x,y)取+∞时I’趋向于0 ）
这种方法是预测每个像素的IDT，而IDT值高的点(P(x,y)接近0)就是人头所在位置, 这种点称作
local maxima
（局部极大值）, 相当于候选人头中心点，再通过一些过滤策略后得到接近真实的人头中心点，再数这些点的数量获得人数。
这篇文章认为IDT在前景(人头区域内)下降太快，在背景处下降太慢，这使得背景不容易和前景区分。提出了FIDT, 相当于加了调节器，通过α和β来控制表达式随P(x,y)增大的下降趋势。文中有消融实验说明α=0.02, β=0.75是比较好的选择。
比如下图FIDT map的背景部分颜色更深，能更清楚地看到前景区域（亮点外一圈浅蓝色区域）和背景区域的区别。
二、LMDS
该文以
HRNET
为主干网络，加一个卷积和两个反卷积作为head, 回归head上每个点的FIDT值。怎么得到人数？该文提出了
Local Maxima Detection Strategy(LMDS)
， 人头点检测策略。
1.用maxpool抑制3x3邻域内非最大值的点，非最大值都置0
2.若全局最大值<0.1,认为没人
3.取全局最大值的100/255为阀值，大于这个阈值的是头中心，小于阈值的是背景
这样就得到人数和人头中心坐标了。
三。I-SSIM loss
他们的另一项重要工作是
I-SSIM loss
。仅用预测的特征图和FIDT map的MSE损失，他们觉得不足以约束人头区域的学习。前人已经用了SSIM loss
E表示
estimated map
(估计图), G表示
groundtruth map
, μ和σ2 分别表示map的均值和方差，σEG表示E和G的协方差，λ1=0.0001， λ2=0.0009，避免除0 。
SSIM
范围是[-1,1], 这个值越大代表两个图越像，这在评价图像质量里常用。那么损失就是加个1减。一般用时会用一个滑动窗口去扫描全图，不区分前景背景。他们认为对于定位任务，损失应该关注前景区域，关注
local maxima
区域。之后就是文章提出了I-SSIM loss，实验效果还不错。
这里的I是independent的意思，对每个
indenpendent instance region
（独立实例区域）计算SSIM loss再求和。region的大小被设置为30x30. 前面说了关注
local maxima
，instance可能指的就是local maxima, 即候选头中心点。下图是这两个loss的对比实验结果。
最终的训练目标损失函数定义如下：
其中LMSE和LI-S分别表示
MSE
损失和提出的
I - SSIM
损失。
人群密度估计任务中在做定位的评价时，是需要将预测点和标记点做匹配的，匹配上了才算位置对了，匹配需要距离阈值σ，小于阈值说明预测点和标记点匹配上了。上边的实验就取的σ=8。下表是和其他网络的评价对比：