陳冠甫 

長庚醫療財團法人基隆長庚紀念醫院

 過去幾年中發生了許多大規模集會的受傷事件，例如去年韓國首爾發生了大規模人群踩踏事件，亦或最近在德州休斯頓NRG公園發生的撞車事件，我們認為該針對災難準備方法透過現代化技術進行改進。Bendali-Braham [1]等人認為大多數研究人員將人群分析區分為人群統計和人群場景分析，活動主辦方可能比較在意人群的統計數據，但緊急救護人員則會更加關注人群行為、運動跟踪和預測，如今在深度學習的幫助下，我們可以透過預測人群移動模式和即時人群密度估計以避免潛在的災難發生，許多商業公司正在嘗試為此提供服務，同時公共平台上也提供了許多開源程式碼。因此，我們敦促相關政府機構、活動主辦方、公共衛生人員和緊急救護人員驗證與實作此相關技術，為潛在的災難提前做準備。

 對於不熟悉機器學習與深度學習如何應用於人群分析機制的人，除了我們在本期JACME發表的評論[1, 2]文章外，Bendali [3] 等人也對過往至今的人群分析方法進行了深入的技術回顧。文章中提及了許多用於計算行人檢測區域的技術，例如透過區域建議多層卷積神經網路(Region proposal multi-layered Convolutional Neural Network ,R-CNN) [4] 結合邊緣框演算法(Edge Boxes algorithm) [5]，此方法不採用傳統滑動視窗的概念，而是採用邊緣框演算法進行區域檢測與建議，最後再透過支持向量機(Support Vector Machine, SVM) 對獲得的特徵進行分類以識別行人，以及處理行人遮擋問題的演算法(DeepParts) [6]，此演算法主要將人體劃分成多個區塊分别進行檢測，最後將結果組合起來。常見的群體檢測方法為以下兩種方法，從擁擠的場景開始，之後區分成許多個集群為top-down方法，反之，從檢測人開始，之後創建他們的集群為bottom-up方法。此外，多任務卷積神經網路(multi-task CNN)、人群行為識別和異常檢測皆具有特殊的研究用途，我們的讀者可能會對於如何驗證災難及準備深感興趣。通過上述方法，我們將能夠透過無人機搭配更高解析度的鏡頭實作更大規模的人群影像，亦或是使用較低解析度的監控攝影機實作出高分辨率的人群影像，以及其他非影像類的數據使用，例如環境中的聲音、向警察或緊急醫療單位傳遞消息，然而，如何定義和註釋人群行為異常仍需要共識和進一步評估，此外，同一模型應用於不同數據集上的表現結果可能大相徑庭，例如Liu [7] 等人提出的相同情境感知網路在不同數據集中可能會出現不同的平均絕對誤差，範圍從7.8到212.2，我們認為這可能是由於這些不同數據集（UCF CC50、上海A和上海B數據集）中的人群規模不同所導致，我們敦促研究人員系統地比較具有一致指標的模型，以及匯集具有信賴區間的整體評估準確度。

 不同的學者皆提出了我們在該領域應用可能會面臨的障礙以及該如何預防與防範，因此，我們需要更多樣化的數據集來測試他們訓練出最佳模型，俗語說我們經常為以前的災難做準備，而非為未來的災難做準備，換句話說，在舊的數據集上測試新方法就如同將新的酒裝在舊的酒皮囊，這樣做新酒會漲破皮囊，酒跟皮囊都會壞了，因此，要比較同一個模型有著許多不同的需求，比如不同的光源、不同的衣服顏色以及不同影像的分辨率等，下圖1為人群統計與分析的分類圖，從資料科學家的角度來看，現在是設計人群分析的數據採集、方法驗證和有效性評估的時候了。

參考文獻:

1.Chen K-F: It Is Time to Modernize Disaster Preparedness With Crowd Analysis. Journal of Acute Medicine 2023, 13(1):1-3.

2.Hsu MFTTNHWEB: Modernized Crowd Counting Strategies forMass Gatherings-A Review. Journal ofAcute Medicine 2023, 13(1):4-11.

3.Bendali-BrahamM, Weber J, Forestier G, Idoumghar L, Muller P-A: Recent trends in crowd analysis : A review. 2021, 4:100023.

4.Hailong L,Zhendong W, Jianwu Z: Pedestrian detection based on deep learning model. In: 2016 9th International Congress on Image and Signal Processing,BioMedical Engineering and Informatics (CISP-BMEI): 15-17 Oct. 2016 2016;2016: 796-800.

5.Zitnick CL,Dollár P: Edge Boxes: Locating Object Proposals from Edges. In: ComputerVision – ECCV 2014: 2014// 2014; Cham: Springer International Publishing;2014: 391-405.

6.Tian Y, Luo P,Wang X, Tang X: Deep Learning Strong Parts for Pedestrian Detection. In: 2015IEEE International Conference on Computer Vision (ICCV): 7-13 Dec. 2015 2015;2015: 1904-1912.

7.Liu W, SalzmannM, Fua P: Context-Aware Crowd Counting.In: 2019 IEEE/CVF Conference on ComputerVision and Pattern Recognition (CVPR). IEEE Computer Society; 2019:5094-5103.