背景
密集人群检测常常遇到的一个问题：近处的物体在图片上比较大，远处的在图片上比较小，如下所示，图片越往上，人所占据的像素越少,也就是透视失真
本文思路
如果能够提前知道透视信息，对网络而言显然会有提升。根据下图的透视模型
行人在相机上的成像公式如下
则透视关系为
H人高固定为1.75m，所以透视值只和图片中人的高度h有关，这样就可以得到一个透视图
这么做在UCSD和WorldEpo'10数据集OK，但是在密集人群中，因为遮挡，很难测得图片中的人高。一个自然的改进方法就是利用人头的大小反应透视变换，其中人头大小可以通过K近邻确定。得到人头大小后，基于传统的线性变换就可以得到透视信息，不过传统方法基于一系列的假设，如地面是平的，相机没有旋转（正对），采样得到的人头像素值足够精确，并且k近邻确定人头大小的方法取决于人群密度，这些都会导致得到的透视信息不够精确。为此作者提出了一个非线性的方法，如下
\(y_h\)是行数， \(a,b,c\)在在不同的图片中有不同的值（论文里面没说怎么确定这三个参数-。-）。
网络结构
网络结构如上图，个人理解也就是一个attention模块，利用perspective map做attention。