عنوان انگلیسی: Counting crowds using a scale-distribution-aware network and adaptive human-shaped kernel
سال نشر: ۲۰۲۰
نویسنده: Biao Yang,Weiqin Zhan,Nan Wang,Xiaofeng Liu,Jidong Lv
تعداد صفحه فارسی: ۱۲ – تعداد صفحه انگلیسی: ۸
دانشگاه: Department of Environmental Sciences, Faculty of Meteorology, Environment and Arid Land Agriculture, King Abdulaziz University, Jeddah, Saudi Arabia b Centre of Excellence in Environmental Studies (CEES), King Abdulaziz University, Jeddah, Saudi Arabia
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: اقتصادی
چکیده
سیستم اتوبوس هوشمند نقش کلیدی در شهر هوشمند مدرن ایفا میکند. تعداد مسافران در اتوبوسها یا ایستگاهها برای اتخاذ سیاست بهینه برنامهریزی اتوبوسهای عمومی ضروری است. ما یک الگوریتم شمارش جمعیت را برای ارائه اطلاعات شمارش برای یک سیستم توزیع باس در یک سیستم انسان – ماشین توسعه میدهیم. با در نظر گرفتن چالشها (مانند انسداد عابر پیاده، توزیع جمعیت غیر یکنواخت، و تغییرات مقیاس)موجود در ویژگیهای دستی مبتنی بر شمارش جمعیت، یک شبکه عصبی پیچشی چند ستونی آگاه از مقیاس توزیعی (SDA – MCNN)برای شمارش جمعیت با جمعبندی خروجی (که به عنوان نگاشت تراکم مشخص میشود)SDA – MCNN ارائه میشود. SDA – MCNN از طریق پردازش یک تصویر جمعیتی با ستونهای شبکه عصبی پیچشی چندگانه (CNN)و به حداقل رساندن اتلاف در مقیاس، نسبت به تغییرات مقیاس مقاوم است. تلفات وزنی اقلیدسی برای کنترل توزیع جمعیت غیر یکنواخت پیشنهاد شدهاست. این کاهش میتواند فعالیت در مناطق متراکم را افزایش داده و فعالیت در پیشزمینهها را مهار کند. یک رویکرد جدید برای برآورد نگاشتهای دورنما از جمعیت متراکم ارائه اطلاعات لازم برای تولید نگاشت
Abstract
Intelligent bus system plays a key role in the modern smart city. The number of passengers in the buses or at the stations is necessary for making an optimal scheduling policy of public buses. We develop a crowd counting algorithm to provide the counting information for a bus dispatch system in a human–machine system. In consideration of the challenges (e.g., pedestrian occlusions, non-uniform crowd distributions, and scale variations) existed in hand-crafted features based crowd counting, a scale-distribution-aware multi-column convolutional neural network (SDA-MCNN) is presented to count crowds by summing up the output (denoted as the density map) of the SDA-MCNN. The SDA-MCNN is robust to scale variations by processing a crowd image with multiple convolutional neural network (CNN) columns and minimizing the per-scale loss. A weighted Euclidean loss is proposed to handle non-uniform crowd distributions. The loss can increase activations in dense regions and restrain activations in ba
امتیاز شما: