CVPR 18 论文解读：基于空洞卷积神经网络的高密度人群理解方法 | CVPR 2018

雷锋网(公众号：雷锋网) AI 科技评论按：本文作者为美国伊利诺伊大学（UIUC）张晓帆，他为 AI 科技评论撰写了基于 CVPR 录用论文《CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes》的独家解读稿件，未经许可不得转载。

论文地址：https://arxiv.org/pdf/1802.10062.pdf

来自北京邮电大学和美国伊利诺伊大学（UIUC）的研究者们提出一种适用于密集人群计数的空洞卷积神经网络模型 CSRNet。该网络模型摆脱以往广泛应用于人群计数的多通道卷积网络方案，在大幅削减网络参数量和网络训练难度的同时，显著提升了人群计数的精度和人群分布密度图的还原度。该研究已被 CVPR 2018 接收。

人群计数和人群密度估计有着重要的安防应用场景。随着城市人口的日益增长，在地铁站，商场，各种节日集会中，超额聚集的人群带来潜在危险，极容易造成踩踏、骚乱等悲剧。因此，人群计数和人群的密度分布估计成为安防领域的热门课题。近年来，人群计数的算法性能在与深度学习的结合下得到了很大的提升。

人群计数的目的是找出特定场景中的人数，而人群密度分布估计需要获取空间密度信息和人数（密度图求和）。人群计数的难点在于，场景的变化跨度大，目标的尺度变化不尽相同，人和人、人和景物之间存在不同程度的遮挡等等。如图 1 所示，三张图均包含了 95 人，但是他们的空间分布完全不同。

图 1 人群计数场景

作者研究发现，被广泛运用在人群计数上的多通道卷积网络（MCNN）存在着结构冗余、参数繁多、训练困难的局限性。此类多通道卷积网络在不同通道上采取大小不等感受域的卷积网络，以适应不同场景（如高、中、低密集程度）的人群计数需要。但研究发现，不同通道学习到的特征重合度很高（图 2），并没有因场景密集程度不同而出现明显差异。多通道网络表现冗余。为作对比，作者采用一个参数更少、更深层、更易训练的单通道卷积网络（A deeper CNN），获得比多通道网络更好的效果（表 1）。

图 2 多通道卷积网络中的大、中、小通道在 ShanghaiTech PartA 中的测试表现相似

 表 1 更深的单通道卷积网络使用较少参数却在 ShanghaiTech PartA 中获得更小误差

此外，作者为了避免过度使用降采样而导致密度图的分辨率损失，在网络的后半部分引入了空洞卷积层，利用空洞卷积增大感受域并维持分辨率（图 3），并提出 CSRNet 网络模型（表 2）。CSRNet 后端四组不同的配置在 ShanghaiTech PartA 中性能测试如表 3。

图 3 使用卷积+池化+上采样（上）与空洞卷积（下）输出同样分辨率图像，空洞卷积可保留更多图像细节

 表 2 CSRNet 网络结构，卷积以参数命名为（conv kernel size – channel – dilation rate）

 表 3 CSRNet 的四种后端配置在人群计数中精度对比，其中方案 B 精度最高

由于采用比多通道网络更简单的结构，CSRNet 在训练时可直接采用端到端训练并快速复现实验结果，也可利用迁移学习提高训练效果。得益于简单、规整的网络结构，CSRNet 对硬件实现更加友好，可以高效地部署在物联网设备中。

实验表明，CSRNet 在四个公开人群数据集（ShanghaiTech dataset、the UCF CC 50 dataset、the WorldEXPO'10 dataset、the UCSD dataset）和一个车辆数据集（TRANCOS dataset）上均达到了最高水平的精确度（State-of-the-art Performance），详见表 4 至表 8。

表 4 ShanghaiTech 数据集测试结果

 表 5 UCF CC 50 数据集测试结果

 表 6 WorldExpo' 10 数据集测试结果

表 7 UCSD 数据集测试结果

表 8 TRANCOS 数据集测试结果

。