基于小样本的人群密度估计研究

发布时间：2023-04-28 17:13

　　随着现代社会人民生活水平的提高,世界人口急剧增加,由人群聚集引发的公共安全问题日益突出,人群密度估计已经成为了视频监控领域不可或缺的研究课题。与此同时,随着近年来人工智能的飞速发展,深度学习作为人工智能的主流算法,其应用越来越广泛,特别是在计算机视觉领域,深度学习方法由于其自主学习特征的能力,取得了诸多突破性进展,这也使得利用深度学习方法来进行人群密度估计成为了一个必然趋势。但深度学习需要大量的样本进行训练,而用于人群密度估计任务的样本采集和标注都比较繁琐且耗时,因此本文研究了基于小样本的人群密度估计方法,其主要在数据增强和密度估计两大方面进行。主要内容如下:1、针对目前人群密度估计数据集样本量偏少和场景单调的问题,本文提出了一个基于CycleGAN风格迁移的数据增强方案,并采集了 4种风格的公共场所图片来训练风格迁移网络。在ShanghaiTech A&B、UCSD、WorldExpo ’10数据集上进行了数据增强实验,样本扩充数量可观,扩充比例从71%到299.5%不等,且生成图像与真实图像非常接近,其风格迁移效果明显。2、针对复杂人群场景,本文提出了一个基于多尺度模块条件...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 研究现状
        1.2.1 人群密度估计研究现状
        1.2.2 小样本问题研究现状
    1.3 本文研究内容及章节安排
第2章 深度学习相关理论
    2.1 人工神经网络(ANN)
        2.1.1 网络结构
        2.1.2 正向传播过程
        2.1.3 反向传播过程
    2.2 卷积神经网络(CNN)
        2.2.1 卷积层
        2.2.2 池化层
        2.2.3 激活函数
        2.2.4 损失函数和优化函数
    2.3 本章小结
第3章 基于生成式对抗网络的数据增强研究
    3.1 引言
    3.2 生成式对抗网络(GAN)的基本原理
    3.3 CycleGAN算法
        3.3.1 CycleGAN的基本原理
        3.3.2 CycleGAN的网络结构
    3.4 人群密度估计数据集的增强
        3.4.1 常用数据集的介绍
        3.4.2 数据增强方案
    3.5 实验与分析
        3.5.1 训练过程
        3.5.2 数据增强实验
    3.6 本章小结
第4章 小样本情况下的人群密度估计研究
    4.1 引言
    4.2 条件生成式对抗网络(CGN)
    4.3 改进的CGAN人群密度估计方法
        4.3.1 标签密度图的生成
        4.3.2 网络结构
        4.3.3 损失函数
    4.4 实验与分析
        4.4.1 训练参数设置
        4.4.2 小样本对比实验
        4.4.3 损失函数对比实验
        4.4.4 算法对比
    4.5 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献



本文编号：3804123