2020 CVPR ，这里只对Attention Scaling for Crowd Counting做简要叙述，因英语水平有限，部分叙述有误的地方，请多多指点。需要的话请看原文：https://github.com/gjy3035/Awesome-Crowd-Counting
摘要
人群计数的主要任务是学习图片与密度图之间的映射关系。由于人群密度在图片上的变化较大，以数据为驱动的网络很容易在人群数量估计时出现误差。为解决这一问题，我们提出了一种减轻不同区域计数性能差异的方法。主要包括Density Attention Network(DANet) 和Attention Scaling Network（ASNet)两个网络。DANet为ASNet提供了与不同密度水平区域相关的注意力掩膜。ASNet首先生成中间密度图和缩放因子，然后将它们与注意力掩膜相乘，以输出多张基于注意力的不同密度水平的密度图。这些密度图相加得到最终密度图。注意尺度因子有助于减弱不同区域的估计误差。此外，还提出了一种新的自适应金字塔损失（APLoss）来分层计算子区域的估计损失，从而减少训练偏差。并在多个数据集上取得了不错的效果。
具体方法
如上图所示，网络由DANet和ASNet构成。DANet为ASNet提供关于不同密度级别区域的注意力掩模.ASNet由密度图生成器（Density Generating) 和注意力尺度因子(Attention Scaling)两个分支构成。ASNet将它们与注意力掩模相乘，叠加之后形成最终的密度图。
Density Attention Network
DANet的目标是生成一个可以表示不同密度区域的注意力掩模，相当于一个像素级别的语义分割任务。DANet使用一个以像素为中心的局部计数来表示密度等级，使得局部区域的每个像素点都属于同一密度等级。具体4个步骤：1. 使用一个64x64的滑窗来获得每个局部区域的人群数量，计算所有非零局部计数的平均值AvgCnt1,并找到这些局部计数里的最小值MinCnt1和最大值MaxCnt1; 2. 以{MinCnt1，AvgCnt1，MaxCnt1}为阈值，将所有的局部区域划分为低密度区域和高密度区域；3. 进而以迭代的方式，可以求出所有低密度区域的平均值AvgCnt21，和高密度区域的平均值AvgCnt22. 从而可以将密度区域按照{MinCnt1，AvgCnt21，AvgCnt1，AvgCnt22，MaxCnt1}划分为4个密度等级。由此可以一直迭代地计算下去。4.利用这些阈值集，根据其对应的局部计数，自动标注密度图每个像素点的密度等级。
密度标签完成之后，对DANet网络进行训练。DANet的网络结构如下：
Attention Scaling Network
ASNet由两个分支结构组成：DE-branch 和 AS-branch。DE生成还需要矫正的中间密度图；AS学习缩放因子，它主要是结合DANet提供的注意力掩膜来调整中间密度图。DE-branch可被认为是一种粗略的估计策略，它通过乘以缩放因子来调整局部的人群估计的误差。
Adaptive Pyramid Loss
Euclidean loss 忽略了不同层次的密度对网络训练过程的影响。因为图片中人群密度的分布往往是不均衡的，相应的估计误差会使训练后的网络在计数时产生误差。
实验细节
对于DANet和ASNet，前13个卷积层由预先训练的VGG-16模型初始化，其余层由均值为0、标准差为0.01的高斯分布随机初始化。Adam算法用于优化模型。DANet和ASNet都通过端到端进行训练。采用交叉熵作为DANet的损失函数。训练DANet时，将训练批次的大小设置为1。然后训练ASNet，将训练批的大小设置为8。
最后为自己的一个关于人群计数的github代码打个广告：https://github.com/latencytime9527/Crowd-Counting-MFANet