Apr, 2016

日常场景中的日常物品计数

PDF
TL;DR该研究提出一种新的用于在自然场景中进行物体类别计数的方法，利用人类视觉的子数能力进行参考，能够显著提高物体类别计数的准确性，并在视觉问题回答中应用了这种方法。
object countingcomputer visionsubitizingobject detectionvisual question answering
发现论文，激发创造
  • 学习数数

    该研究针对视觉物体计数问题，提出了一种基于少样本回归任务的方法，同时也介绍了一种新的适应策略和数据集以供模型训练和评估，并证明该方法在性能上优于现有的物体识别和计数方法。

    Apr, 2021

  • 自然图像中物体计数的可视化问答学习

    本文提出了一种神经网络组件，可以较好地解决在自然图像中计算物体数量的问题。通过实验验证表明，该组件在 VQA v2 数据集中的数字类别上具有最先进的准确性，并在平衡配对指标上实现单模型超越集成模型。

    Feb, 2018

  • 显著物体快速计数

    本研究旨在使用 holistic cues 预测图像中显著对象的存在和数量，并提出了一个包含约 14K 个图像的显著目标数目预测数据集，并使用在线众包市场进行注释。使用端到端训练的卷积神经网络（CNN）模型，对于仅包含零个或一个显著对象的图像，我们实现了与人类性能相当的预测准确性。对于多个显著对象的图像，我们的模型也无需任何本地化过程即可提供显著优于随机的性能，此外，我们还提出了一种通过利用合成图像来改善 CNN 数目预测模型训练的方法。我们实验证明了 CNN 数目预测模型的准确性和通用性，并将其应用于显著目标检测和图像检索中。

    Jul, 2016

  • 可解释的视觉问答计数

    采用序列决策过程将计数视为挑选特定对象的离散选择，从而得到可以解释的输出。该方法在评估计数的多项度量标准上优于当前最先进的视觉问答框架。

    Dec, 2017

  • 使用深度目标特征学习计数

    本论文利用 MNIST 数据集通过训练 counting convolutional neural network 来探究卷积神经网络中数字特征的表示学习，实现对于行人计数场景的初步探索。

    May, 2015

  • 免样本通用计数

    本文提出了一种用于类别无关计数的视觉计数器，利用区域建议网络及密度估计对重复出现的对象进行计数，实现对新颖目标类别的自动化计数。实验表明，该方法在 FSC-147 数据集上表现优异。

    May, 2022

  • CounTR: 基于 Transformer 的通用视觉计数

    本研究提出了 Counting Transformer (CounTR) 用于实现对任意语义类别的目标进行计数，并采用两阶段的训练策略进行无监督预训练和有监督微调，通过综合评估获得了当前最先进的零样本和少样本计数结果，并使用大规模计数基准进行了彻底的消融研究。

    Aug, 2022

  • 重新思考零售店中的物体检测

    本文提出了一项名为 Locount 的新任务，即同时进行对象定位和计数，针对此任务，我们收集了一个大规模的对象定位和计数数据集，提供了一个新的评估协议，同时提供了一个被称为级联定位和计数网络的强基线，并在数据集上进行大量实验以证明其重要性和性能。

    Mar, 2020

  • AFreeCA：无需标注的全能计数

    利用文本到图像的潜在扩散模型 (LDMs)，本研究介绍了一种无监督的排序方法，通过借助生成的计数数据，对任意类型的对象进行可靠计数，该方法优于其他无监督和少样本方法，不受特定对象类别计数数据的限制。

    Mar, 2024

  • 机械手中的物体计数

    基于对比学习的计数分类器是一种简单而有效的方法，在面对机器人手指和物体造成的显著遮挡挑战时进行目标计数，该方法在模拟和实际环境中验证后，在三种常见形状物体（球体、圆柱体和立方体）上能达到 96% 以上的准确率。

    Apr, 2024