目标检测算法-MSCNN（用于人群计数）

最新推荐文章于 2021-08-25 16:39:32 发布

TJMtaotao

最新推荐文章于 2021-08-25 16:39:32 发布

阅读量5.3k

点赞数 3

分类专栏：目标检测计算机视觉计算机视觉相关领域关键点预测目标分割 MSCNN

目标检测同时被 3 个专栏收录

35 篇文章

订阅专栏

计算机视觉

21 篇文章

订阅专栏

计算机视觉相关领域

4 篇文章

订阅专栏

本文深入解析了MSB（多尺度Blob）结构和MSCNN（多尺度卷积神经网络）在人群计数领域的应用。MSB通过四种不同大小的卷积核提取多尺度特征，增强模型的鲁棒性和准确性。MSCNN则整合了MSB结构，通过多级卷积和池化层，最终使用1x1卷积核进行全连接，实现了高效的密度图预测。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1：首先从模型结构整体理解

重要网络结构：

MSB结构

网络架构应用于人群计数

2：从代码层面理解

2.1 MSB结构，就是四种卷积核对输入分别进行卷积，然后叠加起来（多种卷积核可以提取不同大小范围的特征，实现多尺度），然后经过BN归一化，再然后经过relu激活函数进行非线性变换，这就是MSB的结构了，还是很简单的。

def MSB(filters):
    """Multi-Scale Blob.

    Arguments:
        filters: int, filters num.

    Returns:
        f: function, layer func.
    """
    params = {'activation': 'relu', 'padding': 'same',
              'kernel_regularizer': l2(5e-4)}

    def f(x):
        x1 = Conv2D(filters, 9, **params)(x)
        x2 = Conv2D(filters, 7, **params)(x)
        x3 = Conv2D(filters, 5, **params)(x)
        x4 = Conv2D(filters, 3, **params)(x)
        x = concatenate([x1, x2, x3, x4])
        x = BatchNormalization()(x)
        x = Activation('relu')(x)

        return x
    return f

2.2 MSCNN 结构，这个其实就是整体的网络架构了，它整合了基本的卷积和池化层，最重要结构就是还整合了MSB多尺度卷积，然后最后的输出他不是简单的全连接，它是通过1X1 的卷积核实现全连接的（有参数喔）（MLP的卷积，这种结构增加了模型的特征提取能力和功能）（实现过程就是，首选input->Conv2D->MSB->MaxPooling->MSB->MSB->Maxpooling->MSB->MSB-Conv2D->Conv2D）,数据输入是224X224X3 ，最后输出是56X56X1，也就是3136个点

def MSCNN(input_shape):
    """Multi-scale convolutional neural network for crowd counting.

    Arguments:
        input_shape: tuple, image shape with (w, h, c).

    Returns:
        model: Model, keras model.
    """
    inputs = Input(shape=input_shape)

    x = Conv2D(64, 9, activation='relu', padding='same')(inputs)
    x = MSB(4 * 16)(x)
    x = MaxPooling2D()(x)
    x = MSB(4 * 32)(x)
    x = MSB(4 * 32)(x)
    x = MaxPooling2D()(x)
    x = MSB(3 * 64)(x)
    x = MSB(3 * 64)(x)
    x = Conv2D(1000, 1, activation='relu', kernel_regularizer=l2(5e-4))(x)
    x = Conv2D(1, 1, activation='relu')(x)

    model = Model(inputs=inputs, outputs=x)

    return model