人群密度估计--Learning to Count with CNN Boosting

Learning to Count with CNN Boosting
ECCV2016

本文使用CNN来进行人群密度估计，主要有两个改进地方：layered boosting and selective sampling

Boosting deep networks ： Boosting 在组合学习中是一种知名的贪婪技术。基本的思想就是对前一个分类器的误差训练一个新的分类器来矫正。广义上，当使用多个弱分类器时，Boosting 是最有效的。当 Boosting 强分类器时，效果通常不是很好。特别是只有少数研究尝试 boosting deep neural networks

Sample Selection： 通常训练CNN网络需要利用大的数据库，很多 data augmentation 数据增强的方法被提出用于增加训练数据，但是并不是所有的训练样本是同等创造的，其对模型的贡献也有所不同。 例如文献【19】提出一个样本选择方法用于选择对模型训练最有用的样本。样本的选择通过作为 cascaded architectures 的一个组成部分。

3 Density counting with CNNs
根据图像目标的位置，一般使用一个 normalized 2D Gaussian kernel 生成真值密度图，对于行人我们使用了一个 specific smoothing kernel
人群密度图：

有了密度图，计数就可以通过空间积分实现 spatial integration。 这里有一点需要指出，上面的定义得到的计数和真值总数有一定误差，这个误差主要由那些位于图像边界的物体造成的。但是在大多数应用场合，这个误差可以被忽略不计。

上图分别对应 cell counting crowd counting 两个问题

The proposed boosting scheme

fine-tune the weights of the entire network by employing backpropagation to the resulting structure.

5 Sample Selection

这里我们选择有效样本的基准是根据目前系统的误差，误差太小的样本或误差太大的样本，我们都认为样本的质量越差，误差太小对应样本太简单，误差太大对应样本可能被误标记
samples with either high or low errors are deemed to be of low quality

6 Experiments
细胞计数问题：
microscopy dataset

Crowd counting benchmarks
UCSD crowd dataset