大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。
Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺
Drone-based Object Counting by Spatially Regularized Regional Proposal Network
ICCV2017
数据库：https://lafi.github.io/LPN/
本文主要使用CNN网络处理无人机拍摄的视频，同时完成对图像中的车辆检测和计数，新建了一个用无人机拍摄停车场的数据库 CARPK，含有近9万辆车
下面是一个示意图：
当前大多数目标计数方法使用回归方法给出一个数目，没有每个目标的位置信息。
3 Dataset
对于从空中拍摄车辆，目前主要有以下几个数据库：
4 Method
Our object counting system employs a region proposal module which takes regularized layout structure into account.
我们的计数系统使用了一个含有 regularized layout structure 候选区域提取模块， 它是 全卷积网络，输入图像可以使任意尺寸
4.1. Layout Proposal Network
简单的来说就是如果某个位置其附近有较多车辆，那么该位置含有车辆的概率较大，如果其四周没有车辆，那么该位置含有车辆的概率较小
The structure of the Layout Proposal Networks
产生候选区域的方式和 RPN 是类似的，使用滑动窗口的方式，将特征输入到 two sibling 1 × 1 convolutional layers，一个分类，一个位置坐标回归。和 RPN 不同的地方在于损失函数的定义， The difference is that our loss function introduces the spatially regularized weights for the predicted boxes at each location.
4.2. Spatial Pattern Score
这个 pattern 主要是车辆在图像中的排列具有一定的规则，例如按照某个方向排列
5 Experiment
RPN+small：RPN training with the small default box size on conv4-3 layer
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/170581.html原文链接：https://javaforall.net
