초록
우리는 군중 이미지의 전역 및 국소 문맥 정보를 명시적으로 통합하여 고품질의 군중 밀도 및 개체 수 추정을 생성하는 새로운 방법인 Contextual Pyramid CNN (CP-CNN)을 제시합니다. 제안된 CP-CNN은 Global Context Estimator (GCE), Local Context Estimator (LCE), Density Map Estimator (DME) 및 Fusion-CNN (F-CNN)으로 구성됩니다. GCE는 전역 문맥을 인코딩하는 VGG-16 기반의 CNN으로, 입력 이미지를 다양한 밀도 클래스로 분류하도록 훈련되었습니다. 반면 LCE는 국소 문맥 정보를 인코딩하는 또 다른 CNN으로, 입력 이미지를 패치별로 다양한 밀도 클래스로 분류하도록 훈련되었습니다. DME는 고차원 피처 맵을 생성하기 위해 다중 열 구조 기반의 CNN으로, GCE와 LCE에서 추정한 문맥 정보와 융합되도록 설계되었습니다. F-CNN은 고해상도 및 고품질의 밀도 맵을 생성하기 위해 합성곱 층과 부분 스트라이드 합성곱 층(fractionally-strided convolutional layers)을 사용하며, 적대적 손실(adversarial loss)과 픽셀 레벨 유클리드 손실(Euclidean loss)의 조합을 통해 DME와 함께 엔드투엔드 방식으로 훈련됩니다. 높은 난이도를 가진 데이터셋에 대한 광범위한 실험 결과, 제안된 방법이 기존 최신 방법들보다 유의미한 개선을 보임을 확인할 수 있었습니다.