人群密度估计--DecideNet: Counting Varying Density Crowds Through Attention Guided Detection and Density

2018 CVPR

1.Abstract
基于检测的计数方法将在低密度场景中准确估计人群，同时降低其在拥挤区域的可靠性。 另一方面，基于回归的方法捕获拥挤区域中的一般密度信息。在不知道每个人的位置的情况下，它倾向于高估低密度区域中的计数。
本文的思路就是将 检测方法和回归方法结合起来，各取所长。

2. Related works
3. Crowd Counting by DecideNet
两条支路，一个检测一个回归；
只有检测之路时候，人数过多时候，会低估，人数较少时候，估计较准。
只有回归支路时，人数较少的时候，则会高估人数
还有个Qualitynet 起到将两个网络的输出进行分配权重的作用，在根据这个权重将两种预测图融合。

3.2. The RegNet block

3.3. The DetNet block

3.4. Quality-aware density estimation

4. Model Learning

multi-task



L_qua loss 暂时没有看懂

5. Experimental Results
训练设置：
40K iteration,lr_initial = 0.005,每10k iters,0.5
数据增加：（1）切割图像成43个patchs，每个patch 随机进行垂直或者水平翻转。（2）在每个patch的每个像素加上均匀噪声[-5,5],这个增强操作概率为0.5.
gt图 高斯核，方差为4，大小为15*15
S_det gt图 每次迭代都要算，在detected bounding boxes里的值为对应的检测分数（啥意思），boxes之外的设为0.1.并采样成与K一样大。
MAE衡量准确率，MSE衡量算法鲁棒性

训练结果：