标签：不能 信息 一个人 方法 情况 网络 监控摄像头 map 意思
今天上午实验室请来了约翰霍普金斯大学的一个教授来做讲座，讲座主要内容是人群分析，当然也讲了些其他东西。
不得不说听这个疑似印度大叔的英语还是挺练听力的，语速飞快，还好讲的是我熟悉的领域，虽然有的地方听的半懂不懂，但基本意思还是知道的
我印象比较深刻的有：
行人检测，现在很多监控摄像头都是在屋顶屋檐上，因此拍到的图像也好视频也好，很多都是拍到人的头顶或者斜上方的角度，这种情况人脸是基本看不见的，基于人脸的检测就很困难，另外一方面是现在很多行人检测都是基于穿着服饰等外貌的，而一旦人进入室内换了衣服再出来，算法必然失效。考虑到这两点苦难，有什么办法能弥补？我们讲，只看头，基本很难分辨人的，因为发型虽然不像衣服换的那么勤，但是还是可能会有变化的，那么从头部还能有什么信息呢，你绝对想不到他想出了啥，他认为人的那个发旋很可能具有分辨性。。。。。其实细细一想，貌似还挺有道理的。我个人很期待他们后续的工作??。
人群检测，人群检测主要还是在于计算人群当中人的数量，就是给一张照片，里面是在某个场景下的一个人群，一般视角都比较远，任务是给出照片里有多少人，当前比较火的是用所谓的heat image，就是把这张照片转化成一个反映人群密度的热度图，人相对密度大的地方，图的颜色就深。他的工作也很有启发性，他说，他们发现近些年的一些算法都有一个缺点，那就是在在计算人数时，密度大的，也就是人特别多的图，那些算法不精确饿的原因在于总是少数，反过来，人比较稀疏的图，算法倾向于多数。那么一个直接的想法就是，我能不能先把图分成人多和人少的，然后再分别回归呢？这是一个改进，后来又发现，一张图里，人的密度分布时很不均匀的，有些地方全是背景，人就很稀疏，因此，把这个思想进一步应用到局部图像区域上，对图像区域也分成人多和人少的，再计算heat map。
另一个角度的改进来源于损失函数，上面提到，这些方法都是先由原始图像生成一个热度图像，既然是一个图像--图像的任务，那么生成对抗网络是不是就可以用了呢，而且可以预先分析一下用了对抗损失，效果会不会变好，实际上，考虑到对抗损失更倾向于产生边界清晰的图像，因此结果必然更好。
这就是今天讲座我印象深刻的点，可以说是非常有启发性了。
标签：不能 信息 一个人 方法 情况 网络 监控摄像头 map 意思
原文地址：https://www.cnblogs.com/jiagengyun/p/9531738.html
