Resumen

Las tareas actuales de conteo de multitudes se basan en una red completamente convolucional para generar un mapa de densidad que puede lograr un buen rendimiento. Sin embargo, debido a la oclusión de multitudes y la distorsión de la perspectiva en la imagen, el mapa de densidad generado directamente suele ignorar la información de escala y la información de contacto espacial. Para resolverlo, propusimos MDPDNet (Red de mapas de densidad de multirresolución y convoluciones dilatadas paralelas) para reducir la influencia de la oclusión y la distorsión en la estimación de multitudes. Esta red está compuesta por dos módulos: (1) el módulo de convolución dilatada paralela (PDM) que combina tres convoluciones dilatadas en paralelo para obtener las características profundas en el campo receptivo más grande con menos parámetros, al tiempo que reduce la pérdida de información multiescala; (2) el módulo de mapa de densidad de multirresolución (MDM) que contiene redes de tres ramas para extra

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Tareas de conteo de multitudes; Red convolucional; Mapa de densidad; MDPDNet; Oclusión; Distorsión de perspectiva
• Keywords:Crowd counting tasks; Convolutional network; Density map; MDPDNet; Occlusion; Perspective distortion