GUIDA AI visiva

Conteggio della folla con mappe di densità

Il conteggio della folla stima quante persone compaiono in un'immagine o in un video.

Ascolta questa guidaNarrato dall'IA · ~3 min

In questa pagina3 minuti di lettura
  1. Panoramica
  2. Immersione profonda
  3. Implementazione nel mondo reale
  4. Il futuro del crowd counting con le mappe di densità
  5. Metterlo in pratica
  6. Continua a esplorare
  7. Domande frequenti

Panoramica

I metodi delle mappe di densità prevedono un campo spaziale i cui valori possono essere sommati o integrati per stimare un conteggio, piuttosto che richiedere un riquadro di delimitazione distinto per ogni persona. L'approccio può rappresentare scene dense, ma l'occlusione, la prospettiva, le scelte di annotazione e lo spostamento della distribuzione possono comunque causare grandi errori; un conteggio stimato non è un censimento esatto.

Immersione profonda

Il conteggio della folla è impegnativo perché le persone si sovrappongono, diventano piccole nell’immagine e appaiono su un’ampia gamma di scale. Un rilevatore che crea una scatola per ogni persona può non individuare corpi fortemente occlusi o fondere le persone vicine. Gli approcci basati sulla mappa della densità prevedono invece una mappa spaziale della densità della folla. La somma o l'integrazione della mappa produce un conteggio stimato, mentre le regioni della mappa possono indicare dove si concentra la densità prevista. Ricerche come CP-CNN esplorano le informazioni di contesto per generare mappe di densità e stime di conteggio. Gli obiettivi formativi sono spesso costruiti da punti principali annotati posizionando un nucleo attorno a ciascun punto; il totale della mappa di destinazione è progettato per corrispondere al conteggio delle persone annotate. Le convenzioni esatte variano. La larghezza del kernel, la prospettiva, il ridimensionamento dell'immagine e la qualità delle annotazioni influiscono sul target e quindi sulla nozione di densità del modello. Un modello può produrre una mappa dall'aspetto plausibile il cui totale è sbagliato, o un totale ragionevole posizionando la densità nelle regioni sbagliate. Metriche come l'errore medio assoluto sui conteggi non rivelano ogni errore spaziale. Testare le visualizzazioni della telecamera, la densità della folla, i modelli di occlusione, l'illuminazione e i periodi di tempo che assomigliano alla distribuzione. Segnalare l'errore di conteggio e ispezionare gli errori localizzati, la calibrazione e l'incertezza. Se lo scopo è la pianificazione della struttura, i conteggi aggregati potrebbero essere sufficienti; le decisioni operative sulla sicurezza o sull'accesso necessitano di revisione umana e segnali aggiuntivi. Il risultato è una stima delle persone presenti nella scena osservata, non una prova di identità, comportamento o un conteggio completo al di fuori del campo visivo della telecamera.

Implementazione nel mondo reale

Un'agenzia di trasporto pubblico confronta il numero stimato di spettatori con campioni esaminati manualmente dagli stessi angoli di ripresa e periodi di tempo.

Un ricercatore esamina sia l'errore del conteggio totale che le mappe di densità spaziale per individuare i punti in cui un modello non individua le persone.

Un luogo calibra le telecamere e verifica come la prospettiva modifica la densità apparente della folla nell'immagine.

Un analista segnala l’incertezza ed evita di trattare la stima della folla come un record preciso a livello individuale.

Il futuro del crowd counting con le mappe di densità

I modelli di folla possono utilizzare video, telecamere multiple e contesto temporale per migliorare le stime o localizzare i cambiamenti. Nuove architetture ed etichette scarsamente supervisionate possono ridurre il carico di annotazioni, ma gli spostamenti di dominio tra un set di dati di addestramento e una nuova sede rimangono importanti. Gli operatori dovrebbero controllare la copertura della telecamera, le finestre di aggregazione, i controlli della privacy e la deriva del modello. Pubblica la definizione della misurazione (persone visibili per fotogramma, per zona o nel tempo) in modo che gli utenti interpretino i conteggi in modo coerente. Le modifiche all’angolazione della telecamera, alla risoluzione o alla composizione della folla dovrebbero innescare una nuova convalida prima dell’uso operativo.

Metterlo in pratica

Perché è importante

  • Velocità e scala. L’intelligenza artificiale visiva può automatizzare le attività di ispezione, rilevamento ed etichettatura su larga scala.
  • Scelte di build. I team creativi possono prototipare i concetti più velocemente con meno revisioni manuali.
  • Team e flusso di lavoro. Le operazioni possono utilizzare segnali immagine e video che in precedenza erano difficili da elaborare.

Attenzione

  • I diritti di immagine e il consenso possono diventare rischi legali se la provenienza non è chiara.
  • Le prestazioni del modello possono variare in base all'illuminazione, ai dati demografici e agli ambienti.
  • I falsi positivi possono passare inosservati a meno che non vengano monitorate le soglie di confidenza.

Prossimi passi

  1. Definire i criteri di accettazione per i costi di precisione, richiamo ed errore.
  2. Testare con dati che corrispondono alle reali condizioni di produzione.
  3. Aggiungi la revisione umana per previsioni poco attendibili o ad alto impatto.
  4. Tieni traccia della deriva del modello e riconvalida dopo le modifiche alla fotocamera o al set di dati.

Continua a esplorare

Newsletter gratuita

Ricevi il briefing quotidiano sull'IA

Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.

Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.

Mettiti alla prova

Rispondi al quiz sul conteggio della folla con le mappe di densità

Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.

Inizia il quiz

Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione

Domande frequenti

Che cos'è il conteggio della folla con le mappe di densità?

Il conteggio della folla stima quante persone compaiono in un'immagine o in un video. I metodi delle mappe di densità prevedono un campo spaziale i cui valori possono essere sommati o integrati per stimare un conteggio, piuttosto che richiedere un riquadro di delimitazione distinto per ogni persona. L'approccio può rappresentare scene dense, ma l'occlusione, la prospettiva, le scelte di annotazione e lo spostamento della distribuzione possono comunque causare grandi errori; un conteggio stimato non è un censimento esatto.

In che modo un metodo di mappatura della densità stima comunemente il conteggio in un'immagine?

La mappa della densità è costruita in modo tale che il totale corrisponda a un numero stimato di persone.

Perché le mappe di densità possono aiutare in una scena fitta?

I metodi della mappa della densità non necessitano di rilevare una scatola distinta per ogni persona.

Cosa rappresenta la somma di una mappa di densità prevista?

Il totale della mappa viene utilizzato come conteggio stimato, con ridimensionamento in base all'implementazione.

Perché la prospettiva può influenzare un obiettivo della mappa di densità?

La prospettiva cambia la scala apparente e può influenzare la costruzione del nucleo.

Come dovrebbero essere progettate le suddivisioni di formazione e test per le riprese con telecamera fissa?

La separazione a livello di scena può ridurre le perdite da fotogrammi quasi identici.