위치, 크기 및 수: 검출을 통한 밀집된 인파에서 사람의 정확한 식별

우리는 밀집된 군중 카운팅을 위한 감지 프레임워크를 소개하며, 일반적으로 사용되는 밀도 회귀 패러다임의 필요성을 제거합니다. 전형적인 카운팅 모델은 이미지의 군중 밀도를 예측하는 것에 반해, 각각의 사람을 감지하는 데 초점을 맞추지 않습니다. 이러한 회귀 방법은 대부분의 응용 분야에서 충분히 정확한 사람 위치 추정을 제공하지 못하므로, 우리는 군중 내 모든 사람을 위치시키고, 경계 상자로 발견된 머리 크기를 측정한 후 이를 세는 아키텍처를 채택했습니다. 일반적인 객체 또는 얼굴 감지기와 비교할 때 이러한 감지 시스템 설계에는 몇 가지 고유한 도전 과제가 있습니다. 이 중 일부는 밀집된 군중의 큰 다양성과 연속적으로 박스를 예측해야 하는 요구사항으로 인해 직접적인 결과입니다. 우리는 이러한 문제들을 해결하고, 희소에서 밀집까지 다양한 군중에서 사람들의 머리를 안정적으로 감지할 수 있는 LSC-CNN 모델을 개발했습니다. LSC-CNN은 위에서 아래로 피드백 처리를 포함하는 다열 아키텍처를 사용하여 사람들을 더 잘 구분하고 여러 해상도에서 정교한 예측을 생성합니다. 흥미롭게도, 제안된 학습 체제는 단순히 점 머리 주석만 필요하지만, 머리의 대략적인 크기 정보를 추정할 수 있습니다. 우리는 LSC-CNN이 기존의 밀도 회귀 모델보다 우수한 위치 추적 성능뿐만 아니라 카운팅에서도 우월함을 보여주었습니다. 우리의 접근 방식에 대한 코드는 https://github.com/val-iisc/lsc-cnn 에서 확인할 수 있습니다.