群衆密度推定およびカウントとは、混雑したシーンにおける群衆の分布および人数を統計することであり、安全システムや交通制御などにおいて重要な意味を持つ。本論文では、高密度画像における群衆密度推定における特徴抽出の困難さ、空間的意味情報の取得困難さ、特徴融合の不十分さといった課題に対処するために、多変量情報集約群衆密度推定手法（Multivariate information aggregation、MIA）を提案する。まず、多変量情報抽出ネットワークを設計し、VGG-19を骨格ネットワークとして採用し特徴抽出の深さを向上させ、複数層の意味的監督戦略を用いて低層特徴の意味表現を高め、空間情報の埋め込みによって高層特徴の空間情報表現を豊かにする。次に、多スケール文脈情報集約ネットワークを設計し、ステップ付き畳み込みを用いた二つの軽量な空洞空間ピラミッドプーリング（Simplify-atrous spatial pyramid pooling、S-ASPP）構造により、グローバルな多スケール文脈情報集約を行いながらモデルパラメータの冗長性を軽減する。最後に、ネットワークの末端でステップ付き畳み込みを採用し、精度に影響を与えずにネットワークの実行速度を向上させる。ShanghaiTech、UCF-QNRF、NWPUデータセットを用いて比較実験を実施し、実験結果は、典型的なデータセットShanghaiTechのPart_AにおけるMAE、MSEがそれぞれ59.4、96.2、Part_Bにおいては7.7、11.9であり、超高密度多視点シーンデータセットUCF-QNRFのMAEは89.3、MSEは164.5、NWPUデータセットのMAEは87.9、MSEは417.2であった。本手法は比較手法に比べ性能の向上がみられ、実際のシーンへの適用結果でも本手法の効果の良さが確認された。

群衆密度推定;意味的監督;空間情報埋め込み;情報集約;ステップ付き畳み込み