Hello, 今天是论文阅读计划的第11天啦。
今天介绍的这篇论文是CVPR 2019的一篇论文，是关于在室外拥挤的人群中的人群计数问题。哈哈，这是我在看别人整理的CVPR论文合集的时候，发现了这篇论文，然后对这个任务有点好奇，所以就下载来看看学习下了。
附上别人整理资料：
CVPR 2020 论文开源项目合集：https://github.com/amusi/CVPR2020-Code
ECCV 2020 论文开源项目合集：https://github.com/amusi/ECCV2020-Code
论文作者信息：
都是来自西北工业大学的研究者。
一、研究介绍 & 背景
近年来，人群场景的人数统计因其广泛的应用(如视频监控、公共安全)而成为一个热门话题。这项任务旨在预测密度图和估计人群场景中的人数。这在野外是一项艰巨的任务:多变的环境、大范围的人数造成目前的方法不能很好地工作。此外，由于数据稀缺，许多方法在不同程度上存在过度拟合的问题。
为了解决以上两个问题，首先，作者开发了一个数据采集器和标签器，它可以生成合成的人群场景，并在不需要任何人工的情况下同时对其进行标注。在此基础上，作者还构建了一个大规模、多样化的合成数据集。其次，我们提出了两种利用合成数据来提高野外人群计数性能的方案:
- 对合成数据预处理人群计数器，然后使用真实数据对其进行微调，这显著提高了模型对真实数据的性能；
- 提出了一种通过域自适应的人群计数方法，该方法可以将人从繁重的数据标注中解放出来。
二、相关工作
目前，许多基于CNN和GAN的方法在现有数据集上获得了优异的性能。上述方法主要研究如何学习有效的、有区别的特征(如局部模式、全局上下文、多尺度特征等)来提高模型的性能。
同时，前面提到的主流深度学习方法需要大量精确标记和多样化的数据。不幸的是，目前的数据集不能完全满足需求，这也导致了两个难以解决的野外人群计数问题。首先，它导致现有的方法无法处理一些在野外看不见的异常情况(如多变的天气、多变的光照和大范围的人群)。其次，由于标记数据很少，许多算法都存在过度拟合的问题，这导致它们在转移到野外或其他场景时性能大幅下降。此外，拥挤的人群数据集中还有一个固有的问题:标签不太准确，例如UCF CC 50中的一些例子。
三、方法
提出一个监督策略来减少过拟合现象。具体来说：
我们首先利用大规模的合成数据预处理一个人群计数器，这是我们设计的空间全卷积网络(SFCN)。然后，我们使用真实数据微调获得的计数器。这种策略可以有效地提高真实数据的性能。
其次，提出了一种域自适应人群计数方法，提高了跨域迁移能力。具体来说，我们提出了一个SSIM嵌入循环，它可以有效地将合成的人群场景转化为真实场景。在训练过程中，我们引入了结构相似性指数(SSIM)损失。这是通过两个发生器在原始图像和重构图像之间的惩罚。与原始的循环灰度图像相比，该算法有效地保留了局部模式和纹理信息，特别是在拥挤的人群区域和一些背景中。最后，我们将合成数据转换成逼真的照片。基于这些数据，我们训练了一个没有真实数据标签的人群计数器，可以在野外很好地工作。
贡献：
- 我们是第一个开发用于人群计数的数据采集器和贴标机，可以自动采集和标注图像，无需任何人工成本。通过使用它们，我们创建了第一个大规模、综合和多样的人群计数数据集。
- 提出了一种预处理方案，提高了原始方法在真实数据上的性能，与随机初始化和图像网模型相比，可以更有效地降低估计误差。此外，通过该战略，我们提出的SFCN实现了最先进的结果。
- 我们首次提出了一种通过领域自适应的人群计数方法，该方法不使用真实数据的任何标签。通过我们设计的SE循环GAN，合成数据和真实数据之间的领域差距可以显著减小。最后，该方法优于两种基线。
四、总结
从本篇论文的粗略阅读来看，与自己先验知识相关的东西，我注意到了：
- 无法预见的极端情况样本。
- 领域适应，在不同领域之间转移有效特征。
- 整合多流、多尺度或多阶段网络的特征，以提高密度图的质量。
- cycle-consistent loss
- SSIM是图像质量评估领域中广泛使用的指标，它根据局部模式(均值、方差和协方差)来计算两幅图像之间的相似性。
论文笔记的模版稍有变化，因为这是自己以前不知道不了解的方向课题，所以就会看看它的相关工作等等。在前几天阅读自己课题方向的论文时，我很少详细提及，因为默认是已经熟悉了解了的。
接下来我还会不断的介绍其他课题方向的论文～让我们一起来探索未知吧～