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
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。
Feb, 2017
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
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。
本研究提出了一种透视感知卷积神经网络(PACNN),以解决拥挤图像中的人群计数问题,该网络将透视信息集成到密度回归中,通过生成地面真值透视图并构建透视感知的多尺度密度加权层进行自适应性组合,具有较高的效率和有效性。