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
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
本文通过对 220 多篇文献的综合和系统研究,主要研究基于 CNN 的密度图估计方法,根据评估指标,在人群计数数据集上选择前三名表现者,并分析其优缺点,希望对未来人群计数发展做出合理推断和预测,同时也为其他领域的目标计数问题提供可行的解决方案。
Mar, 2020
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
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
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
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
该研究提出了一种名为 DecideNet 的新型端到端人群计数框架,它可以根据实际密度情况自适应地决定适当的计数模式,利用检测和回归基础的密度地图分别进行人群密度估计,并采用关注模块指导适当的估计方法,实现了在三个具有挑战性的人群计数数据集上的最先进表现。
Dec, 2017
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
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