Pour le décompte des foules, face à la perturbation du fond et aux changements brusques d'échelle de la foule, entraînant des performances de décompte médiocres, nous proposons une méthode améliorée de décompte des foules avec renforcement de la connexion dense de l'attention et de la perception à l'échelle. Tout d'abord, nous concevons un réseau d'extraction de caractéristiques avec une connexion dense de l'attention, en utilisant un réseau VGG19 amélioré avec dilatation comme réseau d'extraction de caractéristiques grossières du modèle, et intégrons un mécanisme d'attention à double canal dense, renforçant les caractéristiques de décompte des foules, en supprimant les perturbations de fond. Ensuite, nous concevons une restructuration sensible à l'échelle de l'upsampling et de l'amélioration des caractéristiques du masque mou et de la structure de transmission, permettant une utilisation complète des informations sur les caractéristiques de la foule de différentes échelles de la surface au niveau profond, surmontant les problèmes de performances médiocres de décompte des foules dus à des changements brusques d'échelle de la foule. Ensuite, nous proposons un module de fusion multi-résolution, renforçant l'interaction entre les informations de résolution multiple, réduisant l'écart sémantique entre les différentes résolutions, augmentant la précision du décompte des foules. Enfin, dans des expériences comparatives sur des ensembles de données de foules tels que ShanghaiTech, UCF-QNRF, JHU＿CROWD++, les résultats montrent que la méthode proposée surpasse les algorithmes de comparaison, et par rapport à l'algorithme de décompte des foules DM-Count, les erreurs MAE et MSE ont diminué respectivement de 15,98% et 14,52%, démontrant que la méthode proposée a des performances de décompte plus élevées.

Décompte des foules;Connexion dense d'attention;Perception d'échelle;Renforcement multi-échelle;Fusion multi-résolution