摘要：
一、动机 之前的工作如MCNN表明整合从不同的来源获取的信息是十分有效的。基于此，作者提出了三个附加的网络 二、改进 网络整体结构 语义信息 密度图分布与人群的空间分布应该一致，和斑驳的背景无关。 标注信息由真实标注的点获得，有标注为1否则0 网络损失函数：二分类损失函数 深度信息 物体大小与摄像头 阅读全文
摘要：
[toc] 作者要解决的问题 仍然是one stage中的一个经典问题，正负、难易样本不均衡。因为anchor的原因，pos : neg = 1 : 70。负样本大多比较简单，所以也导致了难易样本的问题。 Focal loss(CVPR2017) Focal loss的解决方案 传统的交叉熵损失函数 阅读全文
摘要：
[toc] 引言 Fast R CNN设计思路 1. Fast R CNN将整张图片和选择性搜索算法提取出来的候选区域作为输入，对整张图片利用卷积+池化的组合提取特征，产生一个feature map（特征层），结合选择性搜索算法提取出来的候选区域位置，从feature map中选择对应位置的特征（红 阅读全文