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。
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
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
本文提出了一种基于图像的人群计数方法,可以预测人群密度地图以及与预测密度地图相关的不确定性值,并开发出卷积神经网络架构来预测这些分布,通过使用高斯分布对人群密度值进行建模来获得预测不确定性,并开发了样本选择策略以减少适应计数网络所需的人工注释工作量。
Sep, 2020
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