基于多尺度融合技术的深度人群计数方法

简介：
本研究提出了一种结合多尺度特征的深度学习模型，用于提升复杂场景下的人群计数精度与效率。 在进行人群计数统计过程中会遇到诸如相机透视、人群重叠以及遮挡等问题，这些问题导致了准确性较低的情况。为了应对这些挑战，提出了一种基于多尺度融合的深度学习人群计数算法。 该方法首先利用VGG-16网络的部分结构来提取出底层的人群特征信息；其次，在膨胀卷积理论的基础上设计了一个用于提取多种尺寸上下文特征信息的模块，并通过这种方式有效减少了模型所需的参数量。最后，通过对低层细节特征与高层语义特征进行融合的方式提升了算法的整体性能和密度图的质量。 在三个公开的数据集上进行了不同人群计数方法之间的对比实验测试，结果显示所提出的算法相比其他的人群计数技术，在平均绝对误差（MAE）以及方均根误差（RMSE）方面都有不同程度的降低。这表明该算法不仅具有较高的准确性和鲁棒性，并且还具备良好的泛化能力。