ECCV 2016 Hydra CCNN

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。

Object Counting

定义

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

常用方法

• 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

CCNN(Counting CNN)

• Regression: 用一个CNN将原始图像映射为对象密度图

  

$D_{pred}^{(P)} = R(P|\omega)$

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 CCNN

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

实验结果

数据集

• 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