密集人群におけるカウント、密度マップ推定およびローカライゼーションのための構成損失

毎年、巡礼から抗議デモ、コンサートからマラソン、祭りから葬儀まで、数百万の人々が集まる様々なイベントが開催されています。このような状況下で、視覚的な群衆分析はコンピュータビジョンの新しいフロンティアとして注目を集めています。特に、高密度な群衆での人数カウントは、群衆の安全と管理だけでなく、抗議デモや示威行動の政治的重要性を測定する上でも広範な応用性を持つ難問です。本論文では、与えられた高密度群衆画像において人数カウント、密度マップ推定および人の位置特定を同時に解決する新規手法を提案します。当手法の構築は、これらの3つの問題が互いに密接に関連しているという重要な観察に基づいており、深層CNN（深層畳み込みニューラルネットワーク）の最適化に用いる損失関数を分解可能にする特徴を持っています。位置特定には高品質な画像とアノテーションが必要であるため、私たちはUCF-QNRFデータセットを導入しました。このデータセットは以前のものよりも優れており、125万人の人々が手動でドットアノテーションによってマークされています。最後に、評価指標を提示し、最近開発された深層CNNネットワーク（特に群衆カウント専門のもの）との比較を行います。当手法は新規データセットにおいて大幅に既存の最先端技術を上回っており、これは最も多様なシーンで最大数の群衆アノテーションを持つ最も困難なデータセットです。