拥挤场景下的端对端人体检测

NIPSJun, 2015

End-to-end people detection in crowded scenes

Russell Stewart, Mykhaylo Andriluka

TL;DR通过图像解码生成人员检测集合的模型，利用 LSTM 层进行序列生成，使用新的损失函数进行端到端的训练，并成功地解决了在拥挤场景中检测人员的挑战性任务。

Abstract

Current people detectors operate either by scanning an image in a sliding window fashion or by classifying a discrete set of proposals. We propose a model that is based on decoding an image into a set of people detections. Our system takes an image as input and directly outputs a set o

people detectors image decoding detection hypotheses lstm layer crowded scenes

发现论文，激发创造

通过检测准确分辨密集人群中的位置、大小和数量

介绍了一种用于人群计数的检测框架，采用 LSC-CNN 模型，解决了人群中的人头检测、计数等问题。

Jun, 2019

拥挤场景下逐步端到端目标检测

本论文提出了一种新的基于查询的检测框架，利用一对一标签分配规则，提出了一种渐进式预测方法来解决拥挤场景下已有检测器多次预测和性能饱和的问题；实验表明，这种方法可以显著提高拥挤场景下基于查询的检测器的性能并具有稳健性，可以在各种场景中实现一致的改进效果。

Mar, 2022

拥挤场景中的检测：一种提议，多种预测

提出了一种基于 proposal 的物体检测器，通过使用相关实例集而不是单个实例来预测每个 proposal，引入 EMD Loss 和 Set NMS 等新技术，能够有效处理高度重叠物体的检测难度，在 CrowdHuman 数据集上获得 4.9% 的 AP 收益，在 CityPersons 数据集上获得 1.0% 的 MR^-2 收益，在 COCO 等数据集上也能够取得适度的改进效果。

Mar, 2020

深度多摄像头人体检测

通过使用深度学习算法解决多视角人员占用地图估计问题，并构建一个利用多个视频流的架构，将其联合利用，从而在 PETS 2009 数据集上大幅度优于现有方法。

Feb, 2017

多摄像机多目标检测的深度遮挡推理

该研究引入了一种使用卷积神经网络和条件随机场混合建模的多相机多人跟踪算法，能够在拥挤场景中鲁棒地处理潜在的遮挡问题并且表现优于当前多种算法。

Apr, 2017

社交场景理解：端到端的多人动作定位与集体活动识别

该论文提出了使用神经网络对人类社交行为进行检测和推断的方法，并通过检测和推断的结果实现了对个体和群体行为的估计。该论文在多个公共基准测试上展示了算法的最新性能。

Nov, 2016

估计人流以更好地计算拥挤场景中的人数

本文提出了一种基于人流推断的人群计数方法，利用了视频序列中的时间连续性和人流、光流之间的相关性，比当前最先进的方法在五个基准数据集上性能表现都更好。