초록
우리는 주어진 군중 장면을 그 밀도로 매핑하는 새로운 군중 계산 모델을 제안합니다. 군중 분석은 극단적인 혼잡으로 인한 사람 간의 상호 가림, 사람과 배경 요소 간의 높은 유사성, 그리고 카메라 시점의 큰 다양성 등 다양한 요인에 의해 복잡해집니다. 현재 최신 접근 방식들은 이러한 요인들을 다루기 위해 다중 스케일 CNN 구조, 순환 신경망, 그리고 서로 다른 수용 범위를 가진 다중 열 CNN의 특징 후 융합을 사용하고 있습니다. 우리는 이미지 내 군중 밀도의 변화를 활용하여 예측된 군중 수의 정확성과 위치 결정성을 개선하는 전환 합성곱 신경망(Switching Convolutional Neural Network)을 제안합니다. 훈련 중에 CNN이 확립한 군중 수 예측 품질에 따라 군중 장면에서 격자 내 패치들이 독립적인 CNN 회귀기에 전달됩니다. 독립적인 CNN 회귀기는 서로 다른 수용 범위를 가지도록 설계되었으며, 전환 분류기(switch classifier)는 패치를 가장 적합한 CNN 회귀기에 전달하도록 훈련됩니다. 우리는 모든 주요 군중 계산 데이터셋에서 광범위한 실험을 수행하였으며, 현재 최신 방법론들보다 더 우수한 성능을 입증하였습니다. 또한 전환 분류기를 통해 추론된 군중 장면 패치 공간의 여러 부분(multichotomy)에 대한 해석 가능한 표현을 제공합니다. 관찰 결과, 전환 분류기는 패치가 특정 CNN 열에 전달되는 것을 군중 밀도에 따라 조절함을 알 수 있었습니다.