DecideNet：通过注意力引导的检测和密度估计来计数不同密度的人群

在实际的群体计数应用中，人群密度在空间和时间域内变化很大。基于检测的计数方法在低密度场景中可以准确估计人群数量，但在拥挤区域其可靠性会降低。另一方面，基于回归的方法能够在拥挤区域捕捉到总体密度信息，但由于无法确定每个人的位置，它倾向于在低密度区域高估人数。因此，单独使用其中任何一种方法都不足以应对各种具有不同密度的场景。为了解决这一问题，提出了一种新的端到端群体计数框架，命名为DecideNet（DEteCtIon and Density Estimation Network）。该框架能够根据图像的实际密度条件自适应地决定不同位置的适当计数模式。DecideNet首先通过分别生成基于检测和基于回归的密度图来估计人群密度。为了捕捉不可避免的密度变化，它引入了一个注意力模块，旨在自适应地评估两种估计方法的可靠性。最终的人群计数结果是在注意力模块的指导下，从两种类型的密度图中选择合适的估计值而得到的。实验结果表明，我们的方法在三个具有挑战性的群体计数数据集上达到了最先进的性能。