Fuss-Free Network: A Simplified and Efficient Neural Network for Crowd Counting

在人群计数研究领域，许多基于深度学习的最新方法已经展示了准确估计人群规模的强大能力。然而，它们的性能提升往往来自于模型结构的复杂性增加。本文介绍了一种名为“FFNet”的人群计数深度学习模型，它的结构简单高效。该模型仅包括一个神经网络的主干和一个多尺度特征融合结构。多尺度特征融合结构是一个简单的架构，由三个分支组成，每个分支只配备一个焦点转换模块，并通过串联操作将这些分支的特征组合起来。我们提出的人群计数模型在四个广泛使用的公共数据集上进行了训练和评估，并取得了与现有复杂模型相当的准确性。实验结果进一步表明，利用简单、低参数、计算效率高的神经网络结构也可以实现优秀的人群计数任务性能。

FFNet论文旨在解决深度学习在人群计数任务中结构复杂性和计算复杂度的问题。

FFNet是一种简单而高效的人群计数深度学习模型，其结构仅由神经网络的骨干和多尺度特征融合结构组成。该模型使用三个分支的聚焦转换模块，通过拼接操作将这些分支的特征进行融合。

FFNet模型在四个公共数据集上进行了训练和评估，其性能与现有的复杂模型相当。该模型具有低参数和计算复杂度，适用于实际应用。

在人群计数领域，还有一些相关研究，如MCNN，CSRNet和SANet。