基于比例自适应卷积神经网络的人群计数
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
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
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
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
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。
Jul, 2018
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
本研究提出了一种名为 SACANet 的新型尺度自适应、具有长程上下文感知能力的网络,用于解决高度拥挤、尺度变化大且存在多个孤立集群的人群计数问题,并且在测试中表现出更高的准确性和更低的平均绝对误差。
Sep, 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