CNN 기반의 고차원 사전 정보와 밀도 추정을 이용한 캐스케이드 다중 작업 학습 방법론 연구: 군중 계수를 위한 적용

밀집된 군중 장면에서 군중 수를 추정하는 것은 비균일한 크기 변동으로 인해 매우 어려운 작업입니다. 본 논문에서는 군중 수 분류와 밀도 맵 추정을 동시에 학습하기 위한 새로운 CNN의 단계적 네트워크를 제안합니다. 군중 수를 다양한 그룹으로 분류하는 것은 이미지 내 총 수를 대략적으로 추정하는 것과 동일하며, 이는 밀도 추정 네트워크에 고차원적인 사전 정보를 통합합니다. 이로 인해 네트워크의 계층들은 전역적으로 관련성이 높은 구분 특징을 학습할 수 있게 되어, 더 정교한 밀도 맵을 추정하고 개체 수 오류를 줄이는 데 도움이 됩니다. 공동 학습은 end-to-end 방식으로 수행됩니다. 공개된 데이터셋에서의 광범위한 실험 결과, 제안된 방법이 최근 최신 기법들보다 더 낮은 개체 수 오류와 더 우수한 품질의 밀도 맵을 달성함을 보여주었습니다.(참고: "end-to-end"는 "끝에서 끝까지" 또는 "전체 과정"이라는 의미로 사용되며, 여기서는 기술 용어로서 "end-to-end"로 표기하였습니다.)