Feb, 2017

多尺度卷积神经网络用于人群计数

PDF
TL;DR提出一种新型多尺度卷积神经网络（MSCNN）用于单张图像的人群计数，基于多尺度块，该网络能够生成与规模有关的特征以提高计数精度和鲁棒性，同时使用单列架构，更为精准和成本有效。实验证明，该方法的参数数量远低于现有的基于多列或多网络模型的方法，并且在计数精度和鲁棒性方面都优于现有的最先进方法。
crowd countingdeep neural networksmulti-scale convolutional neural networksingle-imageperformance
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

  • CrowdNet：一种用于密集人群计数的深度卷积网络

    提出了一种新颖的深度学习框架，用于从高密度人群的静态图像中估计人群密度，使用深度和浅层完全卷积网络的组合来预测给定人群图像的密度地图，通过多尺度数据增强来引导 CNN 学习尺度不变表示，并且在 UCF_CC_50 数据集上表现出比现有技术更好的性能。

    Aug, 2016

  • 密集尺度网络用于人群计数

    本文提出了一种名为 DSNet 的网络，采用密集空洞卷积块和密集残差连接来实现完全端到端的人群计数。在四个人群计数数据集上对 DSNet 进行实验后，得到了比现有算法更优秀的结果。

    Jun, 2019

  • 基于切换卷积神经网络的人群计数

    本文提出了一种新型的人群计数模型，使用带有密度的人群场景提高预测准确性和定位精度的切换卷积神经网络，并通过对所有主要人群计数数据集的广泛实验验证了其比现有最先进的方法具有更好的表现。

    Aug, 2017

  • 用于人群计数的多尺度注意力网络

    提出了一种使用多分支尺度感知注意力网络、卷积神经网络、软注意力机制、尺度感知损失函数等方法，在 4 个不同的人群计数数据集上实现了最先进的效果，平均减少 25% 的误差。

    Jan, 2019

  • 改进基于多列卷积神经网络的人群计数学习

    本文提出了一种新颖的多列互学习策略（McML）以改善人群计数中规模表示的不变性，指出现有的多列网络存在显著冗余参数的问题，且采用异步参数更新过程的 McML 可以更有效地减少参数的冗余性并改善泛化能力，实验证明该方法在各项挑战性基准上显著提高了原有的多列网络，同时优于其他最先进的方法。

    Sep, 2019

  • 为人群计数辩护的单列网络

    该研究提出了一种名为 SCNet 的单列计数网络，使用残差融合模块（RFMs）进行多尺度特征提取，金字塔池化模块（PPM）进行信息融合，使用子像素卷积模块（SPCM）进行分辨率恢复来高效地估计高分辨率密度图，具有高效的优势。研究还提供了一种原则性的范式用于密度图生成和数据增强，在三个基准数据集上进行的广泛实验表明，该方法在人群计数方面取得了新的最高效果，超过以前的方法很多，说明 SCNet 可以作为单列网络用于人群计数。

    Aug, 2018

  • 高密度场景下全卷积人群计数

    本文介绍了一种利用计算机视觉技术进行高密度场景下人群计数的方法，使用了全卷积人群计数模型来提高计数准确性和稳健性，并设计了数据增强和多尺度平均等技巧来提高模型的适应性和广泛适用性

    Dec, 2016

  • 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

  • 通过自适应融合图像金字塔预测实现人群计数

    该论文提出使用图像金字塔和自适应融合策略处理由于尺度变化和视角扭曲导致的严重遮挡问题，取得了非常优秀的效果。

    May, 2018