《Multi( 三 ) _图像

3.3. The
~~~~~~ 数据集包含50个灰度图像，共有63974个带注释的人。人数从94到4543 ，平均每人1280个人。我们将数据集平均分为5个，以便每个分割包含10张图像。然后，我们使用5倍交叉验证来评估我们提出的方法的性能。
3.3.1. Model
~~~~~~ 数据集最具挑战性的问题是用于训练的图像数量有限，而图像中的人数却太大了。为了确保足够的训练数据数量，我们执行数据增强策略，然后从每个图像中随机裁剪36个尺寸为225×225的色块，并像在Sec3.2.1中那样翻转它们。
~~~~~~ 我们使用5组训练集来训练5个模型。在所有5个模型都获得相应验证集的估计结果之后，才计算MAE和MSE 。在训练过程中， MSCNN模型的初始化与数据集上的实验几乎相同，只是将学习速率固定为1e-7以确保模型收敛。
3.3.2.
~~~~~~ 我们将数据集上的方法与6种现有方法进行了比较。在一项工作中，手工特征用于从输入图像中回归密度图。在一项工作中,提出了三种基于CNN的方法来使用多列/网络并在数据集上进行评估。
~~~~~~ 表3说明了我们的方法还可以在数据集上达到最新的性能。在这里，我们的参数数量大约比模型少5倍，表明我们提出的MSCNN可以更准确，更可靠地工作。
4.
【《Multi】~~~~~~ 在本文中，我们提出了一种用于人群计数的多尺度卷积神经网络（MSCNN）。与最近的基于CNN的方法相比，我们的算法可以使用基于多尺度斑点（MSB）的单个柱状网络从人群图像中提取与尺度相关的特征。它是一种端到端的培训方法，不需要进行多列/网络预培训工作。我们的方法可以以更少的参数数量实现更准确，更强大的人群计数性能，使其更可能扩展到实际应用中。