摘要

深度卷积网络（ConvNets）在众多计算机视觉任务中取得了前所未有的性能表现。然而，其在单张图像人群计数任务中的应用仍处于初步阶段，且普遍存在严重的过拟合问题。为此，本文提出一种新型学习策略，通过深度负相关学习（Negative Correlation Learning, NCL）生成具备良好泛化能力的特征。具体而言，我们通过有效管理多个回归器之间的内在差异性，深度学习一组相互去相关（decorrelated）的回归器，从而实现优异的泛化能力。所提出的模型名为去相关卷积网络（Decorrelated ConvNet, D-ConvNet），具有端到端可训练性，且不依赖于特定的主干全卷积网络架构。在非常深的VGGNet以及我们自定义网络结构上的大量实验表明，D-ConvNet在性能上显著优于多种当前最先进的方法。代码实现将公开发布于：https://github.com/shizenglin/Deep-NCL。