國立臺灣師範大學博碩士論文全文系統

簡易檢索 / 詳目顯示

回結果列表

研究生：	吳振傑 WU, Zhen-Jie
論文名稱：	以Density map為基礎之輕量化網路架構應用於室內人群計數之研究 Lightweight Neural Network Based on Density Map For Indoor Crowd Counting
指導教授：	黃文吉 Hwang, Wen-Jyi
口試委員：	黃文吉 Hwang, Wen-Jyi 葉佐任 Yeh, Tso-Zen 歐謙敏
口試日期：	2022/01/25
學位類別：	碩士 Master
系所名稱：	資訊工程學系 Department of Computer Science and Information Engineering
論文出版年：	2022
畢業學年度：	110
語文別：	中文
論文頁數：	41
中文關鍵詞：	人群計數、類神經網路、邊緣運算裝置
英文關鍵詞：	Density Map
研究方法:	實驗設計法
DOI URL：	http://doi.org/10.6345/NTNU202200243
論文種類：	學術論文
相關次數：	點閱：109 下載：12
分享至:	分享至facebook 分享至twitter

查詢本校圖書館目錄查詢臺灣博碩士論文知識加值系統勘誤回報

近年來由於受到疫情的影響，室內的人群數量管控就變得越來越重要，因此越來越多的人開始研究如何使用電腦視覺的方式，來解決傳統用人力的方式來計數人群數量的問題。
本論文為了能夠在室內環境下進行人群計數，且方便應用於日常生活之中，於是提出了輕量化Density Map網路架構，Simple Indoor Crowd Counting Neural Network(SICCNet)，使用MobileNetV2、Depthwise Convolution、Dilated Convolution等等的技術來達到較少的模型參數量及計算量，並且能夠提升模型的運算速度。
SICCNet具有高效率、高準確度且耗費資源較少的特性，並且整合至低成本、體積小且運算受限的邊緣運算裝置，能夠保持辨識的準確率之餘，也能達到即時運算的效果，準確的預測出室內環境下的人數，因此可以應用在日常生活中。

摘要  i
目錄  ii
表目錄  iv
圖目錄  v
第1章 論文背景及目的  1
1-1 緒論  1
1-2 文獻探討  2
1-2-1 Density Map為基礎的人群計數方法  2
1-2-2 Neural Network和Density map為基礎的方法  3
1-2-3 Transfer Learning和Density map為基礎的方法  3
1-2-4 MobileNetV2  4
1-3 研究目的及貢獻  5
1-3-1 研究困難  5
1-3-2 研究目的  5
1-3-3 研究貢獻  6
第2章 理論基礎與背景  7
2-1 一般Convolution的運作原理  7
2-2 Depthwise Convolution的運作原理  9
2-3 Pointwise Convolution的運作原理  10
2-4 Bottleneck  12
2-5 Dilated Convolution  13
2-6 Transfer Learning  14
第3章 研究方法  15
3-1 類神經網路的架構概述  15
3-2 Frontend  16
3-3 Backend  20
3-4 輕量化Density Map網路架構  22
3-5 Ground Truth Generation  24
3-6 損失函數  25
3-7 Optimizer從SGD改用Adam  26
第4章 實驗數據與效能分析  27
4-1 實驗環境介紹  27
4-2 MC2 Dataset  28
4-3 模型評估方法  31
4-4 模型預測結果評估  32
4-5 在邊緣運算裝置上之測試  36
第5章 結論  40
參考文獻  41
                                

[1] Guangshuai Gao, Junyu Gao, Qingjie Liu, Qi Wang, Yunhong Wang. CNN-based Density Estimation and Crowd Counting: A Survey. CVPR, 2020.

[2] V. Lempitsky, A. Zisserman. Learning to count objects in images. In NIPS, 2010.

[3] Elad Walach, Lior Wolf. Learning to Count with CNN Boosting. ECCV, 2016.

[4] L. Boominathan, S. S. Kruthiventi, and R. V. Babu. Crowdnet: A deep convolutional network for dense crowd counting. arXiv:1608.06197, 2016.

[5] Karen Simonyan, Andrew Zisserman. Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv:1409.1556, 2014.

[6] Yuhong Li, Xiaofan Zhang, Deming Chen. CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes. CVPR, 2018.

[7] Pongpisit Thanasutives, Ken-ichi Fukui, Masayuki Numao, Boonserm Kijsirikul. Encoder-Decoder Based Convolutional Neural Networks with Multi-Scale-Aware Modules for Crowd Counting. ICPR, 2020.

[8] Mark Sandler, Andrew Howard, Menglong Zhu, Andrey Zhmoginov, Liang-Chieh Chen. MobileNetV2: Inverted Residuals and Linear Bottlenecks. CVPR, 2018.

[9] Fisher Yu, Vladlen Koltun. Multi-Scale Context Aggregation by Dilated Convolutions. ICLR, 2016.

[10] Diederik P. Kingma, Jimmy Ba. Adam: A Method for Stochastic Optimization. ICLR, 2014.

[11] Weizhe Liu, Mathieu Salzmann, Pascal Fua. Context-Aware Crowd Counting. CVPR, 2019.

[12] Yingying Zhang, Desen Zhou, Siqin Chen, Shenghua Gao, Yi Ma. Single-Image Crowd Counting via Multi-Column Convolutional Neural Network. CVPR, 2016.

簡易檢索 / 詳目顯示

相關論文