Für das Zählen von Menschenmengen, angesichts von Hintergrundstörungen und drastischen Änderungen im Maßstab der Menschenmenge, die zu einer schlechten Zählleistung führen, wird eine verbesserte Methode zum Zählen von Menschenmengen mit Verstärkung der dichten Aufmerksamkeits- und Skalenwahrnehmung vorgeschlagen. Zunächst entwerfen wir ein Merkmalsextraktionsnetzwerk mit dichter Aufmerksamkeit, verwendend ein verbessertes VGG19-Netzwerk mit Dilatation als grobes Merkmalsextraktionsnetzwerk des Modells, und integrieren einen Mechanismus mit doppeltkanaliger dichter Aufmerksamkeit, um die Merkmale des Zählens von Menschenmengen zu verstärken und Hintergrundstörungen zu unterdrücken. Dann entwerfen wir eine skalenempfindliche Umstrukturierung des Upsampling und der Verbesserung der Funktionen der weichen Maske und der Übertragungsstruktur, um die vollständige Nutzung von Informationen über Merkmale von Menschenmengen verschiedener Maßstäbe von der Oberfläche bis zur Tiefe zu erreichen, und um Probleme mit der schlechten Zählleistung von Menschenmengen aufgrund drastischer Änderungen im Maßstab der Menschenmenge zu überwinden. Schließlich schlagen wir ein Multiskalen-Fusionsmodul vor, das die Interaktion zwischen Informationen verschiedener Auflösungen stärkt, den semantischen Unterschied zwischen den verschiedenen Auflösungen verringert und die Genauigkeit des Zählens von Menschenmengen erhöht. Schließlich zeigen die Ergebnisse von Vergleichsexperimenten an Massendatensätzen wie ShanghaiTech, UCF-QNRF, JHU＿CROWD++, dass die vorgeschlagene Methode die Vergleichsalgorithmen übertrifft und im Vergleich zum Massenzähler-Algorithmus DM-Count die FEHLER MAE und MSE jeweils um 15,98 % und 14,52 % reduziert wurden, was zeigt, dass die vorgeschlagene Methode eine höhere Zähleistung hat.

Zählen von Menschenmengen;Dichte Aufmerksamkeit;Maßstabswahrnehmung;Multiskalenverstärkung;Multiresolution Fusion