keras-mcnn

keras复现人群数量估计网络“Single Image Crowd Counting via Multi Column Convolutional Neural Network”

参考pytorch版:https://github.com/svishwa/crowdcount-mcnn

安装

1. Clone

    git clone https://github.com/embracesource-cv-com/keras-mcnn.git

2. 安装依赖库

    cd keras-mcnn
    pip install -r requirements.txt

数据配置

1. 下载ShanghaiTech数据集:
   Dropbox
   or 百度云盘

2. 创建数据存放目录$ORIGIN_DATA_PATH

    mkdir /opt/dataset/crowd_counting/shanghaitech/original

3. 将part_A_final和part_B_final存放到$ORIGIN_DATA_PATH目录下

4. 生成测试集的ground truth文件

    python create_gt_test_set_shtech.py [A or B]  # Part_A or Part_B

   生成好的ground-truth文件将会保存在$TEST_GT_PATH/test_data/ground_truth_csv目录下

5. 生成训练集和验证集

    python create_training_set_shtech.py [A or B]

   生成好的数据保存将会在$TRAIN_PATH、$TRAIN_GT_PATH、$VAL_PATH、$VAL_GT_PATH目录下

6. 生成热力图
   如果你想生成测试集的ground truth热力图：

    python create_heatmaps.py [A or B]

2~6步均在工程根目录下操作

测试

a)下载训练模型

mcnn-A.160.h5 、mcnn-B.035.h5

b) 如下命令分别测试A和B

python test.py --dataset A --weight_path /tmp/mcnn-A.160.h5 --output_dir /tmp/mcnn_A
python test.py --dataset B --weight_path /tmp/mcnn-B.035.h5 --output_dir /tmp/mcnn_B

训练

如果你想自己训练模型，很简单：

python train.py [A or B]

结果

|        |  MAE   |  MSE   |
----------------------------
| Part_A |  127.88 |  194.19 |
----------------------------
| Part_B |  30.71  |  46.81  |

改进点

​ 由于GT密度图每个像素点的值都很小(A数据集平均为0.02,B数据集平均为0.002)，这样小的值不利于网络优化，因此对GT做了标准化(减去均值,然后除方差);预测时将预测的值先乘方差，再加上均值，就是最终的预测值。这个改进对最终的结果提升明显，使用标准化后，A数据集的MAE为127.88，没有使用标准化时只有154.7。

样例

Part_A
原图：

Ground Truth (1111) & Estimate (1256)：

Part_B
原图：

Ground Truth (252) & Estimate(242)：