隨著現(xiàn)代社會(huì)人民生活水平的提高,世界人口急劇增加,由人群聚集引發(fā)的公共安全問題日益突出,人群密度估計(jì)已經(jīng)成為了視頻監(jiān)控領(lǐng)域不可或缺的研究課題。與此同時(shí),隨著近年來人工智能的飛速發(fā)展,深度學(xué)習(xí)作為人工智能的主流算法,其應(yīng)用越來越廣泛,特別是在計(jì)算機(jī)視覺領(lǐng)域,深度學(xué)習(xí)方法由于其自主學(xué)習(xí)特征的能力,取得了諸多突破性進(jìn)展,這也使得利用深度學(xué)習(xí)方法來進(jìn)行人群密度估計(jì)成為了一個(gè)必然趨勢(shì)。但深度學(xué)習(xí)需要大量的樣本進(jìn)行訓(xùn)練,而用于人群密度估計(jì)任務(wù)的樣本采集和標(biāo)注都比較繁瑣且耗時(shí),因此本文研究了基于小樣本的人群密度估計(jì)方法,其主要在數(shù)據(jù)增強(qiáng)和密度估計(jì)兩大方面進(jìn)行。主要內(nèi)容如下:1、針對(duì)目前人群密度估計(jì)數(shù)據(jù)集樣本量偏少和場(chǎng)景單調(diào)的問題,本文提出了一個(gè)基于CycleGAN風(fēng)格遷移的數(shù)據(jù)增強(qiáng)方案,并采集了 4種風(fēng)格的公共場(chǎng)所圖片來訓(xùn)練風(fēng)格遷移網(wǎng)絡(luò)。在ShanghaiTech A&B、UCSD、WorldExpo ’10數(shù)據(jù)集上進(jìn)行了數(shù)據(jù)增強(qiáng)實(shí)驗(yàn),樣本擴(kuò)充數(shù)量可觀,擴(kuò)充比例從71%到299.5%不等,且生成圖像與真實(shí)圖像非常接近,其風(fēng)格遷移效果明顯。2、針對(duì)復(fù)雜人群場(chǎng)景,本文提出了一個(gè)基于多尺度模塊條件...

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 研究現(xiàn)狀
        1.2.1 人群密度估計(jì)研究現(xiàn)狀
        1.2.2 小樣本問題研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容及章節(jié)安排
第2章 深度學(xué)習(xí)相關(guān)理論
    2.1 人工神經(jīng)網(wǎng)絡(luò)(ANN)
        2.1.1 網(wǎng)絡(luò)結(jié)構(gòu)
        2.1.2 正向傳播過程
        2.1.3 反向傳播過程
    2.2 卷積神經(jīng)網(wǎng)絡(luò)(CNN)
        2.2.1 卷積層
        2.2.2 池化層
        2.2.3 激活函數(shù)
        2.2.4 損失函數(shù)和優(yōu)化函數(shù)
    2.3 本章小結(jié)
第3章 基于生成式對(duì)抗網(wǎng)絡(luò)的數(shù)據(jù)增強(qiáng)研究
    3.1 引言
    3.2 生成式對(duì)抗網(wǎng)絡(luò)(GAN)的基本原理
    3.3 CycleGAN算法
        3.3.1 CycleGAN的基本原理
        3.3.2 CycleGAN的網(wǎng)絡(luò)結(jié)構(gòu)
    3.4 人群密度估計(jì)數(shù)據(jù)集的增強(qiáng)
        3.4.1 常用數(shù)據(jù)集的介紹
        3.4.2 數(shù)據(jù)增強(qiáng)方案
    3.5 實(shí)驗(yàn)與分析
        3.5.1 訓(xùn)練過程
        3.5.2 數(shù)據(jù)增強(qiáng)實(shí)驗(yàn)
    3.6 本章小結(jié)
第4章 小樣本情況下的人群密度估計(jì)研究
    4.1 引言
    4.2 條件生成式對(duì)抗網(wǎng)絡(luò)(CGN)
    4.3 改進(jìn)的CGAN人群密度估計(jì)方法
        4.3.1 標(biāo)簽密度圖的生成
        4.3.2 網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.3 損失函數(shù)
    4.4 實(shí)驗(yàn)與分析
        4.4.1 訓(xùn)練參數(shù)設(shè)置
        4.4.2 小樣本對(duì)比實(shí)驗(yàn)
        4.4.3 損失函數(shù)對(duì)比實(shí)驗(yàn)
        4.4.4 算法對(duì)比
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)



本文編號(hào)：3804123