Domain adaptation for crowd counting

Abstract

Belirli bir alandaki veya sahnedeki insan sayısını tahmin etme görevi olan kalabalık sayımı, trafik yönetimi, kamu güvenliği ve etkinlik planlaması gibi çok sayıda pratik uygulamaya sahiptir. Geleneksel kalabalık sayma yöntemleri, zaman alıcı ve hatalara açık olan manuel ek açıklamalara dayanır. Kalabalık sayımı üzerine yapılan son çalışmalar, evrişimsel sinir ağı (CNN) mimarilerini kullanarak umut verici sonuçlar elde etmiştir. Ancak, gerçek dünyadaki kalabalık veri kümelerinde kamera bakış açıları, çözünürlükler ve kalabalık yoğunlukları gibi gerçek dünyadaki kalabalık veri kümelerinin farklı sahnelerindeki büyük varyasyonlar nedeniyle, standart CNN yöntemlerini kullanarak yüksek performans elde etmek zor olmaya devam etmektedir. Bu tür yöntemlerin en büyük sorunu genellikle performans düşüşleridir. Bu sorun alan uyarlaması olarak bilinir ve derin öğrenme ile kalabalık sayma alanında önemli ve aktif bir araştırma alanıdır. Bu zorluğun üstesinden gelmek için bu çalışma, üç yöntemi birleştiren yeni bir kalabalık sayma yaklaşımı önermektedir: Kalabalık sayma ağına rehberlik eden ve farklı veri kümelerinde normalleştirme parametrelerini üreten bir kılavuz ağı, kalabalık sayımında başarılı sonuçlar veren Ölçek Uyarlamalı Seçim Ağı ve yitim fonksiyonu olarak kullanıldığında Gauss Düzeltme tabanlı birçok yöntemden daha başarılı olduğu kanıtlanmış "Dağıtım Eşleştirme" yöntemi. Bu yaklaşım, eğitilen modelin farklı veri kümelerinde iyi performans göstermesini sağlamayı amaçlamaktadır. Birden fazla veri kümesi üzerinde kapsamlı deneyler yapılmış ve önerilen yaklaşımın son teknoloji yöntemlerle performans karşılaştırması sunulmuştur. Ayrıca, literatürdeki GAN tabanlı son teknoloji görüntüden görüntüye çeviri yöntemlerinin kalabalık sayımında alan uyarlaması için kullanımına ilişkin deneysel çalışmalar ve karşılaştırmalı sonuçlar sunulmuştur.Crowd counting, the task of estimating the number of people in a specific area or scene, has numerous practical applications such as traffic management, public safety, and event planning. Traditional crowd-counting methods rely on manual annotations, which are time-consuming and prone to errors. Recent studies on crowd counting have achieved promising results using Convolutional Neural Network (CNN) architectures. However, due to significant variations in real-world crowd datasets, such as camera angles, resolutions, and crowd densities across different scenes, achieving high performance using standard CNN methods remains challenging. A common issue with such methods is often performance degradation. This problem is known as domain adaptation, and it is an important and active research area in the field of crowd counting with deep learning. To address this challenge, this study proposes a new crowd-counting approach that combines three methods: a guiding network that guides the crowd-counting network and produces normalization parameters across different datasets, the Scale-Adaptive Selection Network which has shown successful results in crowd counting, and the "Distribution Matching" method, which has been proven to be more effective than many Gauss Correction-based methods when used as a loss function. This approach aims to ensure that the trained model performs well across different datasets. Comprehensive experiments on multiple datasets have been conducted, and a performance comparison of the proposed approach against state-of-the-art methods is presented. In addition, experimental studies and comparative results on the use of GAN-based state-of-the-art image-to-image translation methods in the literature for domain adaptation in crowd counting are presented.