基于卷积特征的非平衡人群密度估计方法

摘要：

人群密度估计在智能监控领域具有重要的应用价值.大量理论和经验研究表明,基于数据驱动的深度神经网络往往优于传统的基于手工特征的方法.但是人群样本的数据规模很小,深层次的网络很难得到较优解.鉴于此,提出了3种解决方法:训练较浅的神经网络,使用预训练深度模型的全连接层特征和使用预训练深度模型的卷积-FV(Fisher Vector)特征.针对样本的不平衡性问题,提出了使用多个分类评估标准的解决方案.在标准数据集PETs2009上的实验结果表明,相比于现有的手工特征,卷积特征具有更好的效果.其次,相比于训练一个全新的卷积模型,基于迁移学习的深度卷积特征是更好的选择.另外,通过层数较少的深度模型获得的较低层特征的迁移性更好.

关键词：人群密度估计、深度卷积神经网络、迁移学习、支持向量机、纹理特征

所属期刊栏目：45

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金61170223,61502434;河南省科技攻关项目172102210011

在线出版日期：2018-09-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：236-241