Μέτρηση του πλήθους σε συγκεντρώσεις με τεχνητή νοημοσύνη
Παρά τα πολλά πλεονεκτήματα των αεροφωτογραφιών για την παρακολούθηση και τη διαχείριση του πλήθους σε μαζικές εκδηλώσεις, τα δεδομένα των αεροφωτογραφιών των πλήθους εξακολουθούν να έχουν κενά.
Ως εκ τούτου, σε σε αυτή την εργασία παρουσιάζεται ένα νέο σύνολο δεδομένων, το DLR Aerial Crowd Dataset (DLR-ACD), το οποίο αποτελείται από 33 μεγάλες αεροφωτογραφίες από 16 πτήσεις σε μαζικές εκδηλώσεις με 226.291 άτομα.
Για να αντιμετωπιστεί το πρόβλημα της ακριβούς μέτρησης πλήθους και της εκτίμησης του χάρτη πυκνότητας στις εναέριες εικόνες πλήθους, δημιουργήθηκε ένα νέο νευρωνικό δίκτυο τεχνητής νοημοσύνης κωδικοποιητή-αποκωδικοποιητή, το λεγόμενο MRCNet Network Crowd Network.
Ο κωδικοποιητής βασίζεται στο δίκτυο VGG-16 και αποτελείται από ένα σύνολο επιπέδων από bilinear upsampling και convolutional. Χρησιμοποιώντας τη μέθοδο των δύο απωλειών two losses, μία σε προγενέστερο επίπεδο και μία σε μεταγενέστερο επίπεδο του αποκωδικοποιητή, το MRCNet υπολογίζει το πλήθος και τους χάρτες πυκνότητας πλήθους υψηλής ευκρίνειας ως δύο διαφορετικά, αλλά αλληλένδετα σημεία.
Επιπλέον, το MRCNet χρησιμοποιεί λεπτομερείς τοπικές πληροφορίες συνδυάζοντας χαρακτηριστικά υψηλού και χαμηλού επιπέδου μέσω ενός αριθμού πλευρικών συνδέσεων εμπνευσμένων από την τεχνική Network Feature Pyramid Network (FPN).
Στην τελική αξιολόγηση του MRCNet για το προτεινόμενο σύνολο δεδομένων DLR-ACD καθώς και για το σύνολο δεδομένων ShanghaiTech, ένα σημείο αναφοράς που βασίζεται σε CCTV τα αποτελέσματα ήταν εκπληκτικά, το MRCNet υπεραποδίδει τις μεθόδους καταμέτρησης πλήθους υπερσύγχρονης τεχνολογίας για την εκτίμηση των χαρτών πλήθους και πυκνότητας τόσο από αεροφωτογραφίες όσο και για εικόνες βασισμένες σε CCTV.
Πηγή: https://arxiv.org/abs/1909.12743
BMVC Workshop on Object Detection and Recognition for Security Screenin (BMVC-ODRSS) 2019
About The Author
