要进行准确的人流密度估计，面临了如下的难点 1.低分辨率：可以看看UCF Crowd Counting 50这个数据集，在很多密集的情况下，一个人头的pixel可能只有5*5甚至更小，这就决定了基于检测的很多方法都行不通； 2.遮挡严重：在人群中，头肩模型都难以适用更不用说人体模型，头部之间的遮挡都挺严重； 3.透视变换：简而言之就是近大远小，什么尺度的头部都可能出现。

这是百度“深度学习”训练营的“人流密度估计”竞赛赛题公布。

人流密度估计作为一种有效的人群监测、控制和行为理解方法，得到了广泛的应用和研究。但传统估计方法使用的手工特征提取图像特征单一、准确度较低，容易造成密集场景人流估计不准确。为此，文中提出了一种基于深度的卷积神经网络（CNN）人群密度估计方法，利用典型的深层网络Googlenet 和VGGnet进行了方法改进。通过采用一个包括18个拥挤景区密集场景、超过160 K密度的注释图像数据集进行的实验测试结果表明，该方法的平均准确率为92.46%，与GLCM-SVM方法进行对比的结果也充分证明了该方法的优越

人群密度估计对于人流监控与人群安全具有重要意义。针对现有算法主要通过不同尺度感受野来学习特征，而无法高效利用多尺度特征的问题，文中设计了一个基于通道域注意力机制的特征融合模块。该模块可以在训练模型时学习特征融合的分布情况，以高效利用多尺度特征。此外，为解决人群数据集的样本有限问题，文中采用了多规模数据增广来训练模型。将新模型在Shanghaitech数据集上进行测试，并在陕西省某旅游景区人群计数数据集上进行验证。实验结果显示，基于通道域注意力机制的人群密度估计算法在MAE与MSE上均优于MCNN