분할하고 성장하기: 점진적으로 성장하는 CNN을 이용한 군중 이미지의 거대한 다양성 포착

군중 이미지에서 사람을 자동으로 세는 것은 어려운 작업입니다. 이 문제의 주요 난점은 군중에서 사람들이 나타나는 방식이 매우 다양하기 때문입니다. 실제로, 군중을 구분하는 데 사용할 수 있는 특징은 군중 밀도에 크게 의존하여, 매우 밀집된 장면에서는 사람들이 단순히 덩어리로만 보일 정도입니다. 우리는 이러한 문제를 해결하기 위해 용량을 점진적으로 늘릴 수 있는 성장형 CNN(Convoluational Neural Network)을 사용합니다. 이 모델은 모든 유형의 군중 이미지를 동등하게 학습하도록 설계된 기본 CNN 밀도 회귀기에서 시작됩니다. 큰 다양성을 처리하기 위해, 우리는 기본 CNN의 정확한 사본인 두 개의 하위 회귀기를 생성합니다. 차별적인 학습 절차를 통해 데이터셋이 두 클러스터로 나누어지고, 각 하위 네트워크는 자신들의 전문 분야에 맞게 미세 조정됩니다. 결과적으로, 전문 분야를 형성하는 인위적인 기준 없이, 하위 회귀기는 특정 유형의 군중에 대한 전문가가 됩니다. 하위 네트워크는 재귀적으로 다시 분할되어, 각 분할마다 두 명의 전문가가 생성됩니다. 이러한 계층적 학습 과정은 하위 회귀기가 부모보다 더 세밀한 전문가인 CNN 트리를 형성합니다. 최종적으로 리프 노드들은 최종 전문가로 취급되며, 분류기 네트워크는 주어진 테스트 이미지 패치에 대해 올바른 전문 분야를 예측하도록 학습됩니다. 제안된 모델은 주요 군중 데이터셋에서 더 높은 카운팅 정확도를 달성하였습니다. 또한, 우리의 방법으로 자동으로 추출된 전문 분야의 특성을 분석하였습니다.