W-Net: Reinforced U-Net for Density Map Estimation

• cvpr 2019

I. Introduction

• 本文貢獻：
  • 演算法：
    1. 一個基於U-Net的 DME （密度圖估計，density map estimation） 模型。
       • 該模型採用了完全相同的encoder-decoder流水線結構，外加一個強化分支。其中的enc模組用VGG16bn[9]替換。（通過對VGG16bn、resnet50[10]和一個基於Inception[11]的特徵提取器進行實驗比較，發現vgg16bn是最好的支撐結構）。
    2. 一個獨立的 解碼強化分支 （Decoding Reinforcement branch） 用於訓練，從而加快網路收斂，提升估計的密度圖 （density map） 的 SSIM (Structural Similarity Index，結構相似度指數)，也就是確保密度圖的區域性相關性；
    • 由此關注人群計數問題中的尺度變化問題，同時通過強化分支來降低背景噪聲，從而保留結構相似度、提升收斂性。
    • 結合DME和強化分支的優點，提出聯合損失函式：BCE (Binary Cross entropy loss) 和 MSE （Mean Squared error loss），從而得到一個end-to-end的計數網路。
  • 分析：
    1. 分析當代網路架構的缺點，得出經驗性的結論：本文網路的效能提升主要受益於其中的 encoder-decoder 流水線結構。
    2. 通過一系列的誤差分析得出結論：當前的工作已然飽和，並提出一個待解決的問題：