?

?

? ICCV2015:COUNT Forest: CO-voting Uncertain Number of Targets using Random Forest?for Crowd Density Estimation

?

? 這篇文章提出patch-based的方法，先學習提取的patch-level features和該patch內包含的object的相對位置的關系，這些相對位置實際上是patch中心指向object的矢量，矢量的個數被認為是該patch的label，也即該patch隸屬或包含的人數。如左圖所示，提取一個patch的feature后，在一棵樹上被分類到一個葉子里，這個葉子里可能包含多個feature向量，他們彼此也很接近；如右圖所示，取相同label數最大的作為本patch的label K，并取label數為K的向量做K-means生成本patch的displacement vector。

??? ??

? 所以當新patch的feature到來時，將會在這棵樹上得到對應的label和displacement vector。然后由這兩只可以計算Gaussian kernel，生成對應label數的density map。

? RF的主要作用是做決策，壓縮錯誤，減少計算量。細節不表，流程如下，看懂需耐心~

??

??文章還提到了人群密度稀疏和擁擠兩種情況下的先驗不同，訓練了對應的prior。但究竟是如何將density 映射到count，文章簡單提到是computed as the sum of estimated densities over the?whole image（不太理解），這大概是為什么文章名為Crowd Density Estimation，可是很好奇文章為什么不在這一塊展開呢？如果密度圖生成了，下一步是不是可以把location的信息提取出來？畢竟文章的目標很明確的說出來了：

? ?

?

? ?文章第一個訓練思路挺有趣的，整棵樹的分類節點都是以feature為依據的，最后在葉子節點中存儲對應的label?displacement vector。所以實際上是在學patch的feature和label的displacement?feature之間的關系：

? ? ? ? ? ??

? ?這和之前CVPR13（CA-RR）那篇一樣，也不是直接去學習feature到count，而是先學到了label，然后生成?Density Estimation，最后得到count。效果很好的說：

??

轉載于:https://www.cnblogs.com/xy2012/p/5112411.html

總結

以上是生活随笔為你收集整理的paper reading in this week的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。