本文使用CNN來進行人群密度估計赡艰,主要有兩個改進地方:layered boosting and selective sampling
Boosting deep networks : Boosting 在組合學(xué)習(xí)中是一種知名的貪婪技術(shù)伟众±碚牛基本的思想就是對前一個分類器的誤差訓(xùn)練一個新的分類器來矯正赫蛇。廣義上,當使用多個弱分類器時雾叭,Boosting 是最有效的悟耘。當 Boosting 強分類器時,效果通常不是很好织狐。特別是只有少數(shù)研究嘗試 boosting deep neural networks
Sample Selection: 通常訓(xùn)練CNN網(wǎng)絡(luò)需要利用大的數(shù)據(jù)庫暂幼,很多 data augmentation 數(shù)據(jù)增強的方法被提出用于增加訓(xùn)練數(shù)據(jù),但是并不是所有的訓(xùn)練樣本是同等創(chuàng)造的移迫,其對模型的貢獻也有所不同旺嬉。 例如文獻【19】提出一個樣本選擇方法用于選擇對模型訓(xùn)練最有用的樣本。樣本的選擇通過作為 cascaded architectures 的一個組成部分厨埋。