Apr, 2016

基于密集属性特征图的加权 VLAD 人群计数

PDF
TL;DR本文提出了一种在学习局部感知特征集时融入语义信息的方法，使用卷积神经网络将原始像素空间映射为密集的属性特征图，并提出使用邻域补丁上空间金字塔的 LAF 来探索更多的空间上下文和局部信息，通过扩展传统的 VLAD 编码方法，将多样的系数权重考虑进去。实验证明了所提出的方法的有效性。
发现论文，激发创造
  • 基于比例自适应卷积神经网络的人群计数

    该论文提出了一种使用相同的输出大小将多个 Receptive Field 层自适应地结合在一起，形成密度地图来进行行人计数的模型，在人群场景中表现优异。

    Nov, 2017

  • 密集人群中的计数、密度图估计和定位的组合损失

    本研究提出一种新颖的方法解决在给定密集人群图像中计数、密度图估计和人物定位的问题，成果在新数据集上的表现大幅领先于现有的深度 CNN 网络。

    Aug, 2018

  • 迭代式群体计数

    本文提出了基于卷积神经网络的密度估计方法，用于解决图像人群计数的难题。通过两个分支 CNN 架构预测高分辨率密度图，以及提出了多阶段扩展方法，并在三个数据集上实验验证表明，该方法可以达到最低的平均绝对误差。

    Jul, 2018

  • 学习用于人群计数的判别特征

    针对高度拥挤区域中的人群计数模型所面临的定位能力差和难以区分前景与背景的问题，我们提出了一种学习判别特征的框架，其中包括一个掩蔽特征预测模块（MPM）和一个监督的像素级对比学习模块（CLM），以改进模型的定位能力和区分前景与背景的能力。这些提出的模块对于密集场景或混乱环境中的精确定位等各种计算机视觉任务都有潜在的性能提升效果。

    Nov, 2023

  • 基于 CNN 的级联多任务学习模型用于人群计数的高层先验和密度估计

    本文提出了一种基于 CNN 的端到端级联网络方法，用于共同学习人群计数分类和密度图估计，实现高精度密度图的生成，并在公开数据集上取得了良好的效果。

    Jul, 2017

  • 基于尺度感知注意力网络的人群计数

    本文提出了一种新的 scale-aware attention 网络模型，利用注意力机制结合全局和局部尺度来解决人群计数中的尺度变化问题，并在多个基准数据集上优于其他最先进的人群计数方法。

    Mar, 2019

  • 计数卷积神经网络混合：专门用于人群计数的外观自适应卷积神经网络整合

    本论文提出了一种群众计数方法，该方法使用多个针对特定外观的 CNN 进行预测，这些 CNN 根据测试图像的外观被自适应地选择，从而具有对大尺度外观变化的鲁棒性，并且可以比 CNN 和固定权重的集成方法更准确地计算群体数量。

    Mar, 2017

  • 基于卷积神经网络的单张图像人群计数和密度估计的最新研究综述

    本文综述了基于深度学习的卷积神经网络方法在人群计数和密度图估计方面的最新研究和挑战，并评估了手工特征表示方法与深度学习方法在可靠性和效率方面的优缺点。

    Jul, 2017

  • 上下文感知人群计数

    本文提出了一种端到端的可训练深度结构，该结构利用多个接收场大小获得的特征，并学习每个图像位置上每个特征的重要性，从而适应性地编码了准确预测人群密度所需的上下文信息的尺度，特别是在透视效果强烈时表现优于现有的人群计数方法。

    Nov, 2018

  • 具有局部计数图的自适应混合回归网络用于人群计数

    本文研究了人群计数的问题，并提出了新的方法，通过引入局部计数映射（LCM）等新的训练目标，以及采用混合回归框架的三个模块（SAM， MRM 和 ASIM）来进一步提高人群估计的精度。

    May, 2020