今天上午實驗室請來了約翰霍普金斯大學的一個教授來做講座，講座主要內容是人群分析，當然也講了些其他東西。

不得不說聽這個疑似印度大叔的英語還是挺練聽力的，語速飛快，還好講的是我熟悉的領域，雖然有的地方聽的半懂不懂，但基本意思還是知道的

我印象比較深刻的有：

行人檢測，現在很多監控攝像頭都是在屋頂屋檐上，因此拍到的圖像也好視頻也好，很多都是拍到人的頭頂或者斜上方的角度，這種情況人臉是基本看不見的，基於人臉的檢測就很困難，另外一方面是現在很多行人檢測都是基於穿著服飾等外貌的，而一旦人進入室內換了衣服再出來，算法必然失效。考慮到這兩點苦難，有什麽辦法能彌補？我們講，只看頭，基本很難分辨人的，因為發型雖然不像衣服換的那麽勤，但是還是可能會有變化的，那麽從頭部還能有什麽信息呢，你絕對想不到他想出了啥，他認為人的那個發旋很可能具有分辨性。。。。。其實細細一想，貌似還挺有道理的。我個人很期待他們後續的工作??。

人群檢測，人群檢測主要還是在於計算人群當中人的數量，就是給一張照片，裏面是在某個場景下的一個人群，一般視角都比較遠，任務是給出照片裏有多少人，當前比較火的是用所謂的heat image，就是把這張照片轉化成一個反映人群密度的熱度圖，人相對密度大的地方，圖的顏色就深。他的工作也很有啟發性，他說，他們發現近些年的一些算法都有一個缺點，那就是在在計算人數時，密度大的，也就是人特別多的圖，那些算法不精確餓的原因在於總是少數，反過來，人比較稀疏的圖，算法傾向於多數。那麽一個直接的想法就是，我能不能先把圖分成人多和人少的，然後再分別回歸呢？這是一個改進，後來又發現，一張圖裏，人的密度分布時很不均勻的，有些地方全是背景，人就很稀疏，因此，把這個思想進一步應用到局部圖像區域上，對圖像區域也分成人多和人少的，再計算heat map。

另一個角度的改進來源於損失函數，上面提到，這些方法都是先由原始圖像生成一個熱度圖像，既然是一個圖像--圖像的任務，那麽生成對抗網絡是不是就可以用了呢，而且可以預先分析一下用了對抗損失，效果會不會變好，實際上，考慮到對抗損失更傾向於產生邊界清晰的圖像，因此結果必然更好。

這就是今天講座我印象深刻的點，可以說是非常有啟發性了。

關於人群分析與行人識別的講座