クラウドカウンティングにおけるディープネガティブ相関学習

深層畳み込みネットワーク（ConvNet）は、多数のコンピュータビジョンタスクにおいて、かつてないほどの性能を達成している。しかし、単一画像上の混雑度推定（crowd counting）への適用はまだ初期段階にあり、著しい過学習の問題に直面している。本研究では、深層負相関学習（Negative Correlation Learning, NCL）を用いて汎化性能に優れた特徴を生成する新たな学習戦略を提案する。具体的には、内在的な多様性を適切に制御することで、相関の低い複数の回帰器の集合を深層的に学習し、良好な汎化能力を有する特徴を獲得する。本研究で提案する手法は「相関除去ConvNet（Decorrelated ConvNet, D-ConvNet）」と命名され、バックボーンとなる完全畳み込みネットワークのアーキテクチャに依存せず、エンド・ツー・エンドで訓練可能な構造を採用している。VGGNetをはじめとする非常に深いネットワーク、および独自に設計したネットワーク構造を用いた広範な実験により、既存の最先端手法と比較してD-ConvNetの優位性が確認された。本研究の実装コードは、https://github.com/shizenglin/Deep-NCL にて公開される予定である。