Inception-Based Crowd Counting — Being Fast while Remaining Accurate

要約

最近の洗練された CNN ベースのアルゴリズムは、さまざまな頭のスケールの問題に対処するように設計された構造のおかげで、画像から群集のカウントを自動化する並外れた能力を実証しています。
ただし、これらの複雑なアーキテクチャは計算の複雑さも大幅に増加させ、リアルタイムの推定を信じられないものにします。
したがって、本論文では、計算量を削減するために、Inception-V3 に基づく新しい方法を提案します。
この提案されたアプローチ (ICC) は、最初の 5 つの開始ブロックと、CAN で設計されたコンテキスト モジュールを利用して、さまざまな受容野で特徴を抽出し、それによってコンテキストを認識します。
これら 2 つの異なる戦略を採用すると、モデルの堅牢性も向上します。
実験によると、ICC はせいぜい 85.3% の計算を削減でき、パフォーマンスは 24.4% 低下します。
この高効率は、公共の安全を守る監視システムでの群衆カウント モデルの展開に大きく貢献します。
このコードは https://github.com/YIMINGMA/CrowdCounting-ICC で入手でき、監視の観点からの多種多様なシーンで構成される Crowd Counting データセットで事前にトレーニングされた重みもオープンソース化されます。

要約(オリジナル)

Recent sophisticated CNN-based algorithms have demonstrated their extraordinary ability to automate counting crowds from images, thanks to their structures which are designed to address the issue of various head scales. However, these complicated architectures also increase computational complexity enormously, making real-time estimation implausible. Thus, in this paper, a new method, based on Inception-V3, is proposed to reduce the amount of computation. This proposed approach (ICC), exploits the first five inception blocks and the contextual module designed in CAN to extract features at different receptive fields, thereby being context-aware. The employment of these two different strategies can also increase the model’s robustness. Experiments show that ICC can at best reduce 85.3 percent calculations with 24.4 percent performance loss. This high efficiency contributes significantly to the deployment of crowd counting models in surveillance systems to guard the public safety. The code will be available at https://github.com/YIMINGMA/CrowdCounting-ICC,and its pre-trained weights on the Crowd Counting dataset, which comprises a large variety of scenes from surveillance perspectives, will also open-sourced.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google