Estimation du nombre de personnes à partir d'une seule image à l'aide d'un réseau de neurones convolutif à plusieurs colonnes

Cette étude vise à développer une méthode capable d’estimer avec précision le nombre de personnes à partir d’une seule image, quelle que soit la densité de foule ou la perspective d’acquisition. À cette fin, nous proposons une architecture simple mais efficace de réseau neuronal convolutif à multi-colonnes (MCNN) afin de mapper une image à sa carte de densité de foule. Le MCNN proposé permet d’accepter des images de taille ou de résolution arbitraires. En exploitant des filtres aux champs réceptifs de tailles différentes, les caractéristiques apprises par chaque colonne CNN sont adaptatives aux variations de taille des personnes ou des têtes dues à l’effet de perspective ou à la résolution de l’image. En outre, la carte de densité réelle est calculée avec précision à l’aide de noyaux adaptatifs géométriquement, sans nécessiter la connaissance de la carte de perspective de l’image d’entrée. Étant donné que les bases de données existantes pour le dénombrement de foule ne couvrent pas adéquatement toutes les situations difficiles considérées dans ce travail, nous avons collecté et annoté une nouvelle grande base de données comprenant 1 198 images avec environ 330 000 têtes annotées. Sur cette nouvelle base de données exigeante, ainsi que sur toutes les bases existantes, nous menons des expériences étendues afin de vérifier l’efficacité du modèle et de la méthode proposés. En particulier, avec le modèle MCNN simple proposé, notre méthode surpasser toutes les méthodes existantes. En outre, les expériences montrent que notre modèle, une fois entraîné sur une base de données, peut être facilement transféré à une nouvelle base de données.