隨著現代社會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,人群密度估計已經成為了視頻監(jiān)控領域不可或缺的研究課題。與此同時,隨著近年來人工智能的飛速發(fā)展,深度學習作為人工智能的主流算法,其應用越來越廣泛,特別是在計算機視覺領域,深度學習方法由于其自主學習特征的能力,取得了諸多突破性進展,這也使得利用深度學習方法來進行人群密度估計成為了一個必然趨勢。但深度學習需要大量的樣本進行訓練,而用于人群密度估計任務的樣本采集和標注都比較繁瑣且耗時,因此本文研究了基于小樣本的人群密度估計方法,其主要在數據增強和密度估計兩大方面進行。主要內容如下:1、針對目前人群密度估計數據集樣本量偏少和場景單調的問題,本文提出了一個基于CycleGAN風格遷移的數據增強方案,并采集了 4種風格的公共場所圖片來訓練風格遷移網絡。在ShanghaiTech A&B、UCSD、WorldExpo ’10數據集上進行了數據增強實驗,樣本擴充數量可觀,擴充比例從71%到299.5%不等,且生成圖像與真實圖像非常接近,其風格遷移效果明顯。2、針對復雜人群場景,本文提出了一個基于多尺度模塊條件...

【文章頁數】：63 頁

【學位級別】：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 研究現狀
        1.2.1 人群密度估計研究現狀
        1.2.2 小樣本問題研究現狀
    1.3 本文研究內容及章節(jié)安排
第2章 深度學習相關理論
    2.1 人工神經網絡(ANN)
        2.1.1 網絡結構
        2.1.2 正向傳播過程
        2.1.3 反向傳播過程
    2.2 卷積神經網絡(CNN)
        2.2.1 卷積層
        2.2.2 池化層
        2.2.3 激活函數
        2.2.4 損失函數和優(yōu)化函數
    2.3 本章小結
第3章 基于生成式對抗網絡的數據增強研究
    3.1 引言
    3.2 生成式對抗網絡(GAN)的基本原理
    3.3 CycleGAN算法
        3.3.1 CycleGAN的基本原理
        3.3.2 CycleGAN的網絡結構
    3.4 人群密度估計數據集的增強
        3.4.1 常用數據集的介紹
        3.4.2 數據增強方案
    3.5 實驗與分析
        3.5.1 訓練過程
        3.5.2 數據增強實驗
    3.6 本章小結
第4章 小樣本情況下的人群密度估計研究
    4.1 引言
    4.2 條件生成式對抗網絡(CGN)
    4.3 改進的CGAN人群密度估計方法
        4.3.1 標簽密度圖的生成
        4.3.2 網絡結構
        4.3.3 損失函數
    4.4 實驗與分析
        4.4.1 訓練參數設置
        4.4.2 小樣本對比實驗
        4.4.3 損失函數對比實驗
        4.4.4 算法對比
    4.5 本章小結
第5章 總結與展望
    5.1 總結
    5.2 展望
致謝
參考文獻



本文編號：3804123