《表2 ShanghaiTech Dataset在不同网络框架下的测试结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《用于人群密度估计的多级融合卷积神经网络》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表2展示了ShanghaiTech Dataset在不同网络框架下的测试结果。可以看出本文的模型优于TDF-CNN[23]，IG-CNN[24]，L2R，GSP[25]，IC-CNN[26]和CSRnet，同时也具有更好的稳定性。在表2中，MLF-v1是指没有融合结构的网络框架，MLF-v2是指没有多感受野结构的网络框架。通过与MLF-v1、MLF-v2的对比，可以看出融合结构、多感受野结构的有效性。首先在MAE上可以看出，在Part＿A测试集上MLF估计出的人群密度要比其它几个模型更接近真实值，比TDF-CNN的准确率提升了30.2%，Part＿B上也有不同幅度的提升。图4、图5分别展示了Part＿A、Part＿B下的原图、Ground-Truth和预测密度图的对比结果。通过对比GroundTruth和预测密度图可以看出，MLF预测密度图与给出的Ground-Truth无论是在分布情况还是密集程度上都保持一致。