研究生: |
吳振傑 WU, Zhen-Jie |
---|---|
論文名稱: |
以Density map為基礎之輕量化網路架構應用於室內人群計數之研究 Lightweight Neural Network Based on Density Map For Indoor Crowd Counting |
指導教授: |
黃文吉
Hwang, Wen-Jyi |
口試委員: |
黃文吉
Hwang, Wen-Jyi 葉佐任 Yeh, Tso-Zen 歐謙敏 |
口試日期: | 2022/01/25 |
學位類別: |
碩士 Master |
系所名稱: |
資訊工程學系 Department of Computer Science and Information Engineering |
論文出版年: | 2022 |
畢業學年度: | 110 |
語文別: | 中文 |
論文頁數: | 41 |
中文關鍵詞: | 人群計數 、類神經網路 、邊緣運算裝置 |
英文關鍵詞: | Density Map |
研究方法: | 實驗設計法 |
DOI URL: | http://doi.org/10.6345/NTNU202200243 |
論文種類: | 學術論文 |
相關次數: | 點閱:115 下載:12 |
分享至: |
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報 |
近年來由於受到疫情的影響,室內的人群數量管控就變得越來越重要,因此越來越多的人開始研究如何使用電腦視覺的方式,來解決傳統用人力的方式來計數人群數量的問題。
本論文為了能夠在室內環境下進行人群計數,且方便應用於日常生活之中,於是提出了輕量化Density Map網路架構,Simple Indoor Crowd Counting Neural Network(SICCNet),使用MobileNetV2、Depthwise Convolution、Dilated Convolution等等的技術來達到較少的模型參數量及計算量,並且能夠提升模型的運算速度。
SICCNet具有高效率、高準確度且耗費資源較少的特性,並且整合至低成本、體積小且運算受限的邊緣運算裝置,能夠保持辨識的準確率之餘,也能達到即時運算的效果,準確的預測出室內環境下的人數,因此可以應用在日常生活中。
[1] Guangshuai Gao, Junyu Gao, Qingjie Liu, Qi Wang, Yunhong Wang. CNN-based Density Estimation and Crowd Counting: A Survey. CVPR, 2020.
[2] V. Lempitsky, A. Zisserman. Learning to count objects in images. In NIPS, 2010.
[3] Elad Walach, Lior Wolf. Learning to Count with CNN Boosting. ECCV, 2016.
[4] L. Boominathan, S. S. Kruthiventi, and R. V. Babu. Crowdnet: A deep convolutional network for dense crowd counting. arXiv:1608.06197, 2016.
[5] Karen Simonyan, Andrew Zisserman. Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv:1409.1556, 2014.
[6] Yuhong Li, Xiaofan Zhang, Deming Chen. CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes. CVPR, 2018.
[7] Pongpisit Thanasutives, Ken-ichi Fukui, Masayuki Numao, Boonserm Kijsirikul. Encoder-Decoder Based Convolutional Neural Networks with Multi-Scale-Aware Modules for Crowd Counting. ICPR, 2020.
[8] Mark Sandler, Andrew Howard, Menglong Zhu, Andrey Zhmoginov, Liang-Chieh Chen. MobileNetV2: Inverted Residuals and Linear Bottlenecks. CVPR, 2018.
[9] Fisher Yu, Vladlen Koltun. Multi-Scale Context Aggregation by Dilated Convolutions. ICLR, 2016.
[10] Diederik P. Kingma, Jimmy Ba. Adam: A Method for Stochastic Optimization. ICLR, 2014.
[11] Weizhe Liu, Mathieu Salzmann, Pascal Fua. Context-Aware Crowd Counting. CVPR, 2019.
[12] Yingying Zhang, Desen Zhou, Siqin Chen, Shenghua Gao, Yi Ma. Single-Image Crowd Counting via Multi-Column Convolutional Neural Network. CVPR, 2016.