Ling-Bao

``` import numpy as np from matplotlib import pyplot as plt # load crowd map file mp_name = *** mp = np.load(mp_name + ".npy" ) # crowd counts people_counts =...

抱歉，我这里没有这个数据集

(1)这里的代码实现比较尴尬，在我训练完tf模型后才发现调用了两次self.g_L_bn_e2()，但name='g_L_e1_con'/'g_L_e2_con'，阴差让错的不统一但结果是对的；后面没有时间训练新的模型就没有将代码统一起来。 ``` self.g_L_bn_e1 = batch_norm(name='g_L_bn_e1') self.g_L_bn_e2 = batch_norm(name='g_L_bn_e2') ...... e1 = self.g_L_bn_e2(conv2d(image, output_dim=64, k_h=6, k_w=6, d_h=2, d_w=2, name='g_L_e1_con')) e2 = self.g_L_bn_e2(conv2d(lrelu(e1), output_dim=64, k_h=4, k_w=4, d_h=2, d_w=2, name='g_L_e2_con')) ``` 建议：如果需要新训练模型又想统一代码风格，可以将第一个self.g_L_bn_e2()改为self.g_L_bn_e1()。 （2）没太明天你的问题。这里实现的功能是将图像沿长、宽中线分为4个等大小块（同理也需要将密度图分为4个等大小块），然后一次性送入self.generator_small()模型获取估计密度图。...

（1）点赞哈，我这里的写法确实有问题，只是凑巧图像长宽相等，在调试的时候没有发现。 （2）这个数据集由mcnn作者提供，怀疑是他的matlab标注工具有点问题。

我把网络做成了全卷积，所以输入可以是原图，但需要修改下网络的输入大小，可以参考[product.py](https://github.com/Ling-Bao/ACSCP_cGAN/blob/master/product.py)，将Line 45的输入改为自己图像的尺寸

将密度图进行求和

> @Ling-Bao 没有在这两个数据集上做过测试，我认为有ROI时只需要对ROI求和

暂时没有遇见这个问题，可以检查下tensorflow版本，项目用的是python3.6和tensorflow1.0.0

可以有几种不同的处理方法： （1）将原始图像resize到720x720，然后在生成人群密度图；但这种方法会改变人头对象的形状，感觉不是特别好； （2）保证原始图像短边大于720，然后生成人群密度图；使用的时候，在原始图像上随机crop 720x720的图像用于训练；我在训练的时候采用的是这种方法，可以保证不改变人头对象形状的条件下，对数据样本进行增广； （3）其它处理方法。

ACSCP模型包括两个生成器：一个是G_large模型，输入为720x720；另一个是G_small，输入为240x240，由720x720图像等分为4块得到。论文作者认为4个小块的人群密度与整图的人群密度应该相等，设计了一个一致性损失，用于保证估计的人群密度图具有一致性。 也就是说G_large生成器输入为720x720；G_small生成器输入为240x240。 备注： 在进行预测时，仅使用G_large生成器模型进行人群密度的估计；同时，整个ACSCP模型为全卷积模型，所以训练完成后，G_large生成器模型的输入图像可以是任意大小（目前项目里的模型被我设置为了固定值）。