人、企鹅和培养皿：在不遗忘的情况下，将物体计数模型适应于新的视觉领域和物体类型

Nov, 2017

人、企鹅和培养皿：在不遗忘的情况下，将物体计数模型适应于新的视觉领域和物体类型

People, Penguins and Petri Dishes: Adapting Object Counting Models To New Visual Domains And Object Types Without Forgetting

PDF

Mark Marsden, Kevin McGuinness, Suzanne Little, Ciara E. Keogh, Noel E. O'Connor

TL;DR本文提出了一种调整卷积神经网络目标计数器的技术，在保留原始计数功能的同时，适应于其他视觉领域和对象类型。此项技术成功的实现了细胞计数新数据集 (DCC) 的构建，并取得了多个数据集上的最先进的目标计数性能。

Abstract

In this paper we propose a technique to adapt a convolutional neural network (CNN) based object counter to additional visual domains and object types while still preserving the original counting function. Domain-

convolutional neural network object counter adaptation technique cell counting computer vision

发现论文，激发创造

AFreeCA：无需标注的全能计数

利用文本到图像的潜在扩散模型 (LDMs)，本研究介绍了一种无监督的排序方法，通过借助生成的计数数据，对任意类型的对象进行可靠计数，该方法优于其他无监督和少样本方法，不受特定对象类别计数数据的限制。

Mar, 2024

通过解缠传递学习进行跨域显微镜细胞计数

本文提出了一种跨域细胞计数方法，使用少量标注的目标域图像和大量合成的源域图像进行训练，通过逐步微调模型实现在新的目标域图像上进行细胞计数。实验表明该方法在微生物学领域有着良好的表现。

Nov, 2022

学习数数

该研究针对视觉物体计数问题，提出了一种基于少样本回归任务的方法，同时也介绍了一种新的适应策略和数据集以供模型训练和评估，并证明该方法在性能上优于现有的物体识别和计数方法。

Apr, 2021

无监督领域自适应在植物器官计数中的应用

本研究提出一种基于领域敌对学习的方法，在考虑植物器官计数时，不受室内或室外、不同植物物种等领域偏移的影响，实现密集小物体计数的自适应。在小麦穗和叶子的计数任务中，实验结果表明该方法具有较强的鲁棒性。

Sep, 2020

高质量图像翻译和密度重建实现的领域自适应人群计数

本文提出了一种基于领域适应的人群计数 (DACC) 框架，通过高质量的图像翻译和密度图重建来解决使用合成数据进行无监督学习难以抑制领域差异并输出详细密度地图的问题，实验结果表明该方法在六个真实世界数据集上优于现有的最新方法。

Dec, 2019

Count-ception: 全卷积冗余计数

本文提出一种使用深度神经网络的方法，对数字图像中的对象进行自动计数和定位，相对于现有方法，其平均误差率有 20% 的相对改进。

Mar, 2017

基于扩散的数据增强用于目标计数问题

使用扩散模型生成的合成数据对深度学习方法在人群计数方面进行增强，减小了真实数据有限导致的过拟合问题，该方法在多个数据集上表现出了显著的性能提升。

Jan, 2024

人群计数的单一领域泛化

通过使用单一内存库进行特征重构、多样性密度图回归和辅助任务分类，提出了一种名为 MPCount 的单一领域泛化方法，有效地解决了图像中的人群计数问题中的域偏移问题，并在不同数据集上实验证明其在狭窄源分布的训练数据中的非常准确的标签上优于现有方法的计数准确性。

Mar, 2024

类别无关计数

本文提出了一种能够在不同对象类别上通用计数的模型，将计数问题转化为匹配问题，利用图像自相似性和丰富的标注视频数据进行训练，并使用适配器模块实现对模型的快速定制，获得了在细胞，汽车和人群计数数据集上具有竞争力和领先水平的表现。

Nov, 2018

领域随机化在物体计数中的应用

本文提出一种使用基于合成数据集的域随机化方法进行物体计数的方法，避免了昂贵的 3D 艺术家手动生成照片般逼真的数据集，增加了数据集的多样性和泛化性，实现了较好的性能表现。

Feb, 2022