交通场景中基于注意力机制神经网络的人群计数

人群计数是计算机视觉领域的重要任务。交通场景中的人群计数任务对于维护公众出行安全、实现交通智能化具有重要作用。公共交通场景中通常存在行人相互遮挡、背景复杂等现象，给人群计数带来了困难。为了实现高精度的人群计数，研究了基于注意力机制的人群密度估计网络。网络包含3个部分：特征提取模块通过生成多尺度的特征图，增强网络的特征表达能力，提高网络对行人大小变化的鲁棒性；注意力模块通过抑制背景噪声响应，强化人群特征响应，生成特征图中人群区域的概率分布，增强网络区分人群区域与背景区域的能力；密度估计模块在注意力机制的约束下指导网络回归高分辨率的人群密度图，提高网络对人群区域的敏感性。设计了基于背景感知的结构损失函数，能够降低模型的错误识别率，提高模型的计数准确率；采用多级监督机制指导网络进行学习，能够帮助梯度反向传播和减少过度拟合，进一步提高网络的人群计数精度。在公共数据集ShanghaiTech上进行了实验，实验结果表明：与目前最先进的算法相比，在ShanghaiTechA和ShanghaiTechB数据集上，平均绝对误差（mean absolute error,MAE）分别提高了2.4%和1.5%...