本文主要是介绍目标检测算法-MSCNN（用于人群计数），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
1：首先从模型结构整体理解
重要网络结构：
MSB结构
网络架构应用于人群计数
2：从代码层面理解
2.1 MSB结构，就是四种卷积核对输入分别进行卷积，然后叠加起来（多种卷积核可以提取不同大小范围的特征，实现多尺度），然后经过BN归一化，再然后经过relu激活函数进行非线性变换，这就是MSB的结构了，还是很简单的。
def MSB(filters):"""Multi-Scale Blob.Arguments:filters: int, filters num.Returns:f: function, layer func."""params = {'activation': 'relu', 'padding': 'same','kernel_regularizer': l2(5e-4)}def f(x):x1 = Conv2D(filters, 9, **params)(x)x2 = Conv2D(filters, 7, **params)(x)x3 = Conv2D(filters, 5, **params)(x)x4 = Conv2D(filters, 3, **params)(x)x = concatenate([x1, x2, x3, x4])x = BatchNormalization()(x)x = Activation('relu')(x)return xreturn f
2.2 MSCNN 结构，这个其实就是整体的网络架构了，它整合了基本的卷积和池化层，最重要结构就是还整合了MSB多尺度卷积，然后最后的输出他不是简单的全连接，它是通过1X1 的卷积核实现全连接的（有参数喔）（MLP的卷积，这种结构增加了模型的特征提取能力和功能）（实现过程就是，首选input->Conv2D->MSB->MaxPooling->MSB->MSB->Maxpooling->MSB->MSB-Conv2D->Conv2D）,数据输入是224X224X3 ，最后输出是56X56X1，也就是3136个点
def MSCNN(input_shape):"""Multi-scale convolutional neural network for crowd counting.Arguments:input_shape: tuple, image shape with (w, h, c).Returns:model: Model, keras model."""inputs = Input(shape=input_shape)x = Conv2D(64, 9, activation='relu', padding='same')(inputs)x = MSB(4 * 16)(x)x = MaxPooling2D()(x)x = MSB(4 * 32)(x)x = MSB(4 * 32)(x)x = MaxPooling2D()(x)x = MSB(3 * 64)(x)x = MSB(3 * 64)(x)x = Conv2D(1000, 1, activation='relu', kernel_regularizer=l2(5e-4))(x)x = Conv2D(1, 1, activation='relu')(x)model = Model(inputs=inputs, outputs=x)return model
这篇关于目标检测算法-MSCNN（用于人群计数）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
