视频中人群计数的时空建模
本文提出了基于时间感知建模的人群计数方法,使用了一些扩张残差块,并提出了一个轻量级网络来平衡计算成本和表示能力,实验表明该方法在人群计数领域具有显著的优势。
Jul, 2019
本研究提出一种基于密度图和局部限制空间变换网络(LSTN)的视频人群计数方法,旨在解决人员在场景中移动等因素引起的密度图变化问题,并通过收集包含 15K 帧的大规模视频人群计数数据集来验证该方法的有效性。
Jul, 2019
本文提出了一种新的空间监督递归卷积神经网络,用于视觉对象跟踪,通过研究长短期记忆和区域信息的回归能力,结合卷积网络产生的高层视觉特征直接预测跟踪位置,相较于现有的深度学习跟踪器,我们的跟踪器在保持低计算成本的同时更加准确和鲁棒,实验结果表明在多个数据集上均表现优异,常常优于排名第二的跟踪器。
Jul, 2016
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
该论文利用深度时空神经网络和特定的 FCN-rLSTM 网络技术,通过连接全卷积神经网络和长短期记忆网络来估计城市摄像头所捕捉到的低质量车辆视频中的车辆密度和计数,以及预测像素与车辆计数之间的端到端映射,能够有效解决现有方法在分辨率、光照、遮挡和车辆数量等方面的不足,并且经过不同数据集的实验验证,该方法具有鲁棒性和良好的效果。
Jul, 2017
本文提出了一种名为 DeepLGR 的新型框架,以有效应对城市范围内人流量分析面临的挑战。该框架包含局部特征提取模块、全局上下文模块和基于张量分解的区域特定预测器,具有较高的效率、稳定性和泛化性能,能够有效学习全局空间关系和区域潜在功能。
Feb, 2020
本研究提出一种新的架构,称为 “时间通道感知” 块 (TCA),它能够利用视频序列之间的时间关联,通过结合局部和全局上下文信息,提升特征表示的判别能力,实现更准确的人群计数等任务。实验证明,通过堆叠 TCA 块,所得到的改进的 3D 卷积神经网络 (E3D) 在多个基准数据集上具有优异的性能。
Aug, 2019
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
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
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