基于PaddlePaddle实现的密度估计模型CrowdNet预训练模型

前言 CrowdNet模型是2016年提出的人流密度估计模型，论文为《CrowdNet: A Deep Convolutional Network for DenseCrowd Counting》，CrowdNet模型主要有深层卷积神经网络和浅层卷积神经组成，通过输入原始图像和高斯滤波器得到的密度图进行训练，最终得到的模型估计图像中的行人的数量。当然这不仅仅可以用于人流密度估计，理论上其他的动物等等的密度估计应该也可以。 本项目开发环境为： Windows 10 Python 3.7 PaddlePaddle 2.0.0a0 CrowdNet模型实现 以下是CrowdNet模型的结构图，从结构图中可以看出，CrowdNet模型是深层卷积网络（Deep Network）和浅层卷积网络（Shallow Network）组成，两组网络通过拼接成一个网络，接着输入到一个卷积核数量和大小都是1的卷积

人群计数 dcc_crowdnet 训练结果 caffe模型 迭代554000次包含相应的caffemodel和prototxt文件

里面包括实验代码，实验结果截图和说明文档，是在github上的dcc_crowdnet的代码完善及可视化显示。由于上传文件大小限制，这里没有训练模型，请到我的主页“贡献的资源”里面下载。