标签：Dilated Category Multi right sum 目标 计数 类别 left
多类别目标计数 Dilated-Scale-Aware Category-Attention ConvNet for Multi-Class Object Counting 论文笔记
写在前面
过年在家，工作时间减少了很多，玩的也很嗨，花零散时间读完了这篇论文及代码，抽空做个总结。
这篇论文写的是多类别目标计数，思路稍显复杂，改进的空间应该蛮多的。
一、Abstract
单类别目标计数已经取得了不错的效果，但是现实场景仍然是多类别目标计数。该任务难点在于目标标注的收集：回归框标注成本较高，本文提出用点标注的方式进行计数。具体来说，首先将单目标计数密度图改为多类别目标计数图。而由于所有类别的目标都采用同一特征提取器，因此目标特征会在贡献的特征空间内进行交互。所以本文设计了一种多任务结构来抑制目标之间的这种负的交互/联系。
二、引言
目标计数在计算机视觉中很重要，而大部分的方法都是单类别目标计数，因此当改变计数类别时就需要重新训练网络。另外有少量的多类别目标计数，这一应用在现实中更加重要。下面是对计数方法的介绍：
基于检测的方法同时进行检测和计数，但依赖于box的标注，因此主流的目标计数数据集仅仅提供点水平的标注，这对于采用检测的方法来说基本不太可能。
基于回归的方法仅依赖于点的标注且实现了很大的成功，但这类方法大多在点标注上采用一系列的高斯blobs，因此当前基于回归的计数方法很难应用在多类别计数上。
为了解决上述问题，本文提出了一种 Dilated-Scale-Aware Category-Attention ConvNet (DSACA)来实现多类别目标计数。具体来说，DSACS 由两个模块 Dilated-Scale-AwareModule(DSAM) 和 Category-Attention Module (CAM) 组成。首先，利用CNN提取特征图，DSAM 采用不同的膨胀率来同时捕捉大小目标之间的视觉反应，用于融合这些特征图。另外，由于共享目标提取器，预测的密度图彼此会进行交互，促使本文设计一种CAM模块来提供高质量孤立的类别密度图。
本文贡献如下：
- 本文是第一个尝试基于点标注的进行多类别目标计数的方法；
- 提出了DSACA，由 DSAM 和 CAM 模块组成，DSAM 捕捉多尺度信息，CAM 自适应地抑制特征提取时的类别内交互；
- 大量的实验表明本文提出的方法效果很好。
三、方法
如上图所示，提出的方法主要由两个关键模块组成，DSAM 和 CAM。首先利用 VGG16 作为 backbone，但是去掉了 stage_4, 5中的池化层。之后利用 DSAM 提取不同尺度的特征，CAM 用于减少不同类别密度图中的负关联。
A、Multi-Class Object Counting Problem Definition
目前的单类别目标计数方法主要采用高斯核在点标注上滑动，来产生密度图以及预测出单类别的数量。为了实现多类别计数，本文同样采用高斯核，但预测的是所有类别的密度图。
具体来说，对于一幅包含
N
N
N 个类别的物体图像，GT密度图为：
D
=
{
∑
i
=
1
C
1
δ
(
U
1
−
U
i
1
)
∗
G
σ
1
(
U
1
)
⋮
∑
i
=
1
C
n
δ
(
U
n
−
U
i
n
)
∗
G
σ
n
(
U
n
)
⋮
∑
i
=
1
C
N
δ
(
U
N
−
U
i
N
)
∗
G
σ
N
(
U
N
)
D=\left\{\begin{array}{c} \sum_{i=1}^{C_{1}} \delta\left(U^{1}-U_{i}^{1}\right) * G_{\sigma^{1}}\left(U^{1}\right) \\ \vdots \\ \sum_{i=1}^{C_{n}} \delta\left(U^{n}-U_{i}^{n}\right) * G_{\sigma^{n}}\left(U^{n}\right) \\ \vdots \\ \sum_{i=1}^{C_{N}} \delta\left(U^{N}-U_{i}^{N}\right) * G_{\sigma^{N}}\left(U^{N}\right) \end{array}\right.
D=⎩⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎧∑i=1C1δ(U1−Ui1)∗Gσ1(U1)⋮∑i=1Cnδ(Un−Uin)∗Gσn(Un)⋮∑i=1CNδ(UN−UiN)∗GσN(UN)
其中
U
i
n
U_{i}^{n}
Uin 为第
n
n
n 个类别中的第
i
i
i 个实例。在第
n
n
n 个类别中，共有
C
n
C_{n}
Cn 个实例。
σ
n
\sigma^{n}
σn 为高斯函数中第
n
n
n 个类别的高斯核，取决于第
n
n
n 个类别的相对大小。
B、Dilated-Scale-Aware Module
提出DSAM模块，通过膨胀卷积融合多阶段/尺度的特征信息。提出的 DSAM 应用不同尺度的膨胀卷积分别在 stage_3,4,5 上，之后经过下采样和拼接操作后，一个 3 × 3 3\times3 3×3 的卷积操作用于融合这些多尺度的特征。采用 L 2 ′ L_{2}^{\prime} L2′ 正则化来监督训练过程。
C、Category-Attention Module
虽然DSAM有用，但是不完全有用，因此设计 CAM 来产生区分性强的密度图，主要是分别处理每个类别的空间注意力。具体来说，首先利用距离转换将点图转化为距离图
S
S
S，定义如下：
P
(
x
,
y
)
=
min
(
x
i
,
y
i
)
∈
A
(
x
−
x
i
)
2
+
(
y
−
y
i
)
2
P_{(x, y)}=\min _{\left(x_{i}, y_{i}\right) \in A} \sqrt{\left(x-x_{i}\right)^{2}+\left(y-y_{i}\right)^{2}}
P(x,y)=(xi,yi)∈Amin(x−xi)2+(y−yi)2
其中，
P
(
x
,
y
)
P_{(x, y)}
P(x,y) 表示距离图
S
S
S 位置
(
x
,
y
)
(x,y)
(x,y) 上的值。
A
A
A 为标注点的坐标集合。通过使用阈值
J
J
J 将距离图
S
S
S 上的点划分为
0
−
1
0-1
0−1 来获得伪标签注意力 masks 。
CAM 仅采用 sage_5 上的特征图作为输入，因为该层具有更加丰富的语义信息。之后经过多个卷积和拼接操作来联合多尺度的特征图。这里卷积指的是采用膨胀因子为
1
,
2
,
3
,
4
1,2,3,4
1,2,3,4 的膨胀卷积。空间注意力图的数量等于类别的数量。预测的空间注意力图和预测的密度图相乘就能获得最终的密度图了，这一操作能有效减少类别间的联系。
D、损失函数
利用
L
2
L_2
L2 损失来衡量GT密度图和预测密度图之间的区别：
L
2
=
∑
n
=
1
N
∑
x
=
1
W
∑
y
=
1
H
∣
P
(
n
,
x
,
y
)
′
−
P
(
n
,
x
,
y
)
∣
2
L_{2}=\sum_{n=1}^{N} \sum_{x=1}^{W} \sum_{y=1}^{H}\left|P_{(n, x, y)}^{\prime}-P_{(n, x, y)}\right|^{2}
L2=n=1∑Nx=1∑Wy=1∑H∣∣∣P(n,x,y)′−P(n,x,y)∣∣∣2
其中，
N
N
N 为类别的总数，
W
,
H
W,H
W,H 分别为图像的高和宽。
P
(
n
,
x
,
y
)
′
P_{(n, x, y)}^{\prime}
P(n,x,y)′和
P
(
n
,
x
,
y
)
P_{(n, x, y)}
P(n,x,y)分别表示位置
(
x
,
y
,
z
)
(x,y,z)
(x,y,z) 上的预测密度图和GT密度图的值。采用相同的损失来训练 DASM，即
L
2
p
r
i
m
e
L_{2}^{prime}
L2prime。
采用 BCE 损失来训练 CAM：
L
B
C
E
=
−
1
W
×
H
∑
n
=
1
N
∑
x
=
1
W
∑
y
=
1
H
(
(
T
(
n
,
x
,
y
)
×
log
R
(
n
,
x
,
y
)
)
+
(
1
−
T
(
n
,
x
,
y
)
)
×
log
(
1
−
R
(
n
,
x
,
y
)
)
)
L_{B C E}=-\frac{1}{W \times H} \sum_{n=1}^{N} \sum_{x=1}^{W} \sum_{y=1}^{H}\left(\left(T_{(n, x, y)} \times \log R_{(n, x, y)}\right)\right.\left.+\left(1-T_{(n, x, y)}\right) \times \log \left(1-R_{(n, x, y)}\right)\right)
LBCE=−W×H1n=1∑Nx=1∑Wy=1∑H((T(n,x,y)×logR(n,x,y))+(1−T(n,x,y))×log(1−R(n,x,y)))
其中
T
(
n
,
x
,
y
)
∈
{
0
,
1
}
T_{(n,x,y)}\in {\{}0,1{\}}
T(n,x,y)∈{0,1}表示位置
(
x
,
y
)
(x,y)
(x,y) 处第
n
n
n 个类别的伪标签注意力 mask。
R
(
n
,
x
,
y
)
∈
[
0
,
1
]
R_{(n,x,y)}\in[0,1]
R(n,x,y)∈[0,1] 表示位置
(
n
,
x
,
y
)
(n,x,y)
(n,x,y) 处预测的空间注意力。
训练过程的总损失为：
L
=
L
2
+
L
2
′
+
L
B
C
E
L = L_{2}+L_{2}^{\prime}+L_{BCE}
L=L2+L2′+LBCE
四、实验
A、实施细节
端到端方式训练，采用VGG16预训练权重中的前13个卷积层。高斯初始化因子设为0.01标准差。距离阈值
J
J
J 设为
20
20
20。图像预处理采用随机翻转和图像裁剪，尺寸为
512
×
512
512\times512
512×512。采用Adam优化器更新网络参数，单个NVDIA2080Ti进行训练，实验结果如下：
B、数据集
由于目前没有公开的多类别目标计数数据集，因此利用带有多个单类别目标计数集 RSOC 和目标检测数据集 VisDrone。对于目标检测数据集，通过计算 bouding box 的中心坐标来获得点标注，所有实验均在点标注的情况下进行。
VisDrone-DET Dataset
该数据集包含10209个图像，多个类别，只考虑行人+人融合后的人类数据集以及自行车数据集，其挑战在于目标的尺寸极小。
RSOC Dataset
该数据集包含3057个图像，收集自 Google Earth 和 DOTA 遥感数据集，包含4个类别：建筑物，小的交通工具，大的交通工具和船。特别地，小的交通工具和大的交通工具总是同时出现在图像中，而这刚好满足了多类别目标计数的要求。本文考虑的是其中小的交通工具和大的交通工具子集。其挑战在于 RSOC 数据集中包含有一些背景噪声。
C、评估标准
绝对平均误差 MAE 和均方误差 MSE 是最主要的评价指标，来统计所有类别的平均得分，多类别计数的能力可以表示为：
M
A
E
=
1
M
∑
m
=
1
M
∣
Q
m
′
−
Q
m
∣
,
M
S
E
=
1
M
∑
m
=
1
M
(
Q
m
′
−
Q
m
)
2
,
M
A
E
Average
=
1
N
∑
n
=
1
N
M
A
E
n
,
M
S
E
Average
=
1
N
∑
n
=
1
N
M
S
E
n
,
\begin{aligned} M A E &=\frac{1}{M} \sum_{m=1}^{M}\left|Q_{m}^{\prime}-Q_{m}\right|,\\ M S E &=\sqrt{\frac{1}{M} \sum_{m=1}^{M}\left(Q_{m}^{\prime}-Q_{m}\right)^{2},} \\ M A E_{\text {Average }} &=\frac{1}{N} \sum_{n=1}^{N} M A E_{n}, \\ M S E_{\text {Average }} &=\frac{1}{N} \sum_{n=1}^{N} M S E_{n}, \end{aligned}
MAEMSEMAEAverage MSEAverage =M1m=1∑M∣Qm′−Qm∣,=M1m=1∑M(Qm′−Qm)2,
=N1n=1∑NMAEn,=N1n=1∑NMSEn,
其中
M
M
M 为测试集中图像的数量，
N
N
N 为类别的数量。
Q
m
′
,
Q
m
Q_{m}^{\prime},Q_{m}
Qm′,Qm 为第
m
m
m 幅图像中预测的目标数量和GT数量。
D、Comparisons With the State-of-The-Art
E、消融实验
五、结论
本文提出了 DSACA 框架，能够在只依赖点标注的情况下同时实现最佳的多类别目标计数性能。设计了 DSAM 和 CAM 分别用于克服密度图之间的关联以及缓解多尺度的影响，实验表明效果很好。
写在后面
2021年结束了，2022年，希望有更多的成果发表，早日毕业~
祝大家新年快乐呀~
标签：Dilated,Category,Multi,right,sum,目标,计数,类别,left 来源： https://blog.csdn.net/qq_38929105/article/details/122647661
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。