笔者有幸参加：
百度深度学习7日入门-CV疫情特辑
在训练营结尾，有一场比赛，做人流密度检测，笔者初次参加比赛，有些小激动[滑稽]
好，话不多说，我们先来看看比赛
1.试题说明
近年来，应用于监控场景的行人分析视觉技术日益受到广泛关注。包括人体检测、人体属性识别、人流密度估计等技术在内的多种视觉技术，已获得在居家、安防、新零售等多个重要领域的广泛应用。其中作用于人流密集场景的人流密度估计技术（crowd density estimation）因其远高于肉眼计数的准确率和速度，已广泛应用于机场、车站、运营车辆、艺术展馆等多种场景，一方面可有效防止拥挤踩踏、超载等隐患发生，另一方面还可帮助零售商等统计客流。本试题以人流密度估计作为内容，答题者需要以对应主题作为技术核心，开发出能适用于密集、稀疏、高空、车载等多种复杂场景的通用人流密度估计算法，准确估计出输入图像中的总人数。
2.任务描述
要求参赛者给出一个算法或模型，对于给定的图片，统计图片中的总人数。给定图片数据，选手据此训练模型，为每张测试数据预测出最准确的人数。
3.数据说明
本竞赛所用训练和测试图片均来自一般监控场景，但包括多种视角（如低空、高空、鱼眼等），图中行人的相对尺寸也会有较大差异。部分训练数据参考了公开数据集（如ShanghaiTech [1], UCF-CC-50 [2], WorldExpo’10 [3]，Mall [4] 等）。
本竞赛的数据标注均在对应json文件中，每张训练图片的标注为以下两种方式之一：
（1）部分数据对图中行人提供了方框标注（boundingbox），格式为[x, y, w, h][x,y,w,h]；
（2）部分图对图中行人提供了头部的打点标注，坐标格式为[x,y][x,y]。
此外部分图片还提供了忽略区（ignore_region）标注，格式为[x_0, y_0, x_1, y_1, …, x_n, y_n]组成的多边形（注意一张图片可能有多个多边形忽略区），图片在忽略区内的部分不参与训练/测试。
大家最最最关心的数据集在这里：
人流密度预测数据集(副本)：https://aistudio.baidu.com/aistudio/datasetdetail/28831?
4.提交答案
考试提交，需要提交模型代码项目版本和结果文件。结果文件为CSV文件格式，可以自定义文件名称，文件内的字段需要按照指定格式写入，其中，id表示图片文件名，predicted表示图片中行人个数。
结果文件，内容应参考如下：
| id | predicted |
|---|---|
| 1 | 23 |
| 2 | 50 |
| 图片文件名 | 图片中行人个数 |
5.比赛数据分析
注: 以下分析，图片部分来自百度的教授
上面题目说了一大堆，说白了，就是给你一张图片，让你数一数里面的人数
1.我们先来看看数据图片，有这样两种的照片，正常照片和畸变后的照片[可能我说的不专业]，此为难点一
2.而数据集的标注也有两种，一种是边界框标注(ground truth)，另一种是坐标标注
如何有效利用数据标注，此为难点二
3.甚至给定了忽略区域，在给定区域外的人数不计算在内，如何处理忽略区域，此为难点三
4.每张图片的分辨率不同，此为难点四
5.图片数据来源于不同的场景，此为难点五
6.人群之间存在遮挡
7.目标大小存在差异
8.存在人流密集的图像
6.比赛方法分析
(1).可将该问题直接视为N分类问题，损失函数一般选择交叉熵损失函数(可行性不大，无法解决人流密集的图像)
(2).可将该问题直接视为回归问题，损失函数一般选择均方误差损失函数(笔者觉得可行性不行，但是YOLO不都是将检测问题视为回归吗，大家可以试试，没准儿效果超级好！)
(3).直接看做目标检测任务(从信息论的角度，部分计算资源被用作处理没用的信息，有种杀鸡焉用宰牛刀的感觉，嘿嘿)
(4).用密度图回归来做(笔者墙裂推荐)
下一篇，我们来说说如何用密度图回归来做
