摘要
人群计数任务是指对图像中的人数进行准确估计，在交通控制、安全监测和环境研究等方面有很高的应用价值。近年来，研究者们对基于深度卷积神经网络的人群计数方法进行了深入研究，人群计数模型的性能越来越优异。然而，人群计数任务的泛化性问题却研究较少，不具备泛化性的人群计数方法的应用范围十分受限。基于上述研究背景，本文对人群计数任务的泛化性问题进行探索，并提出了人群计数的泛化性方法。本文完成的主要工作如下： (1)针对人群图像间存在风格差异以及图像内部存在细粒度风格差异，使人群计数模型的泛化性下降的问题，提出了基于细粒度风格注意力的人群计数方法。首先使用实例批归一化模块滤除风格信息，然而细粒度风格信息的存在导致一些内容信息可能被滤除，内容信息的不完整会影响模型的性能。为了恢复被滤除的内容信息，本文引入集成学习的思想和注意力机制，设计了多样化的细粒度风格注意力模块。该模块中各个集成子分支输出的注意力图聚焦于不同区域的内容信息，所有子分支互相协作将内容信息提取完整。此外，由于多样性是集成学习的关键，本文提出了多样化学习策略来保证多样化的细粒度风格注意力模块的输出多样性。 (2)针对多样化的细粒度风格注意力模块采用所有多样化内容特征相加的集成方式，可能导致特征冗余从而影响模型性能的问题，提出了基于门控集成的人群计数方法。本文引入门控机制设计了通道级别的二值门控模块，对多样化内容特征自适应地进行通道级别的选择，被选中的特征参与集成，从而在利用特征互补性的同时避免了特征的冗余。此外，本文提出输入依赖引导、多样性特征先验和密度等级分类约束等策略来进一步提升通道级别的二值门控模块的准确性和泛化性。 (3)在人群计数的公开数据集ShanghaiTech_A(SA)、ShanghaiTech_B(SB)、UCF_QNRF(UQ)以及UCF_CCF50(UC)上，本文对上述两种人群计数方法分别与其他优秀的人群计数方法进行了泛化性对比实验，并通过消融实验对提出模块及策略的有效性进行验证。基于细粒度风格注意力的人群计数方法的对比实验结果显示，该方法在泛化性测试组SA到SB、SB到SA以及UQ到SB和UC的平均绝对误差(MeanAbsoluteError,MAE)指标和均方误差(MeanSquaredError,MSE)指标达到最好，即取得了最好的泛化性效果，在其他测试组上的泛化性效果也排名靠前；消融实验对多样化的内容特征以及多样化学习策略进行了验证，实验结果证明了它们的有效性。基于门控集成的人群计数方法的对比实验结果显示，该方法在泛化性测试组SA到UC、UQ到SB的MAE指标和MSE指标以及UQ到UC的MSE指标达到最好，具有最好的泛化性，在其他测试组上的泛化性效果也很有竞争力；消融实验对提出的输入依赖引导、多样性特征先验以及密度等级分类约束等策略进行了实验验证，实验结果显示这些策略提升了模型的性能。
NETL