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。
Jul, 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
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
提出了一种新颖的群体计数方法,利用了学习排名框架中丰富可用的未标记人群图像。该方法采用裁剪图像的排名方式,通过考虑拥挤场景图像的任何子图像都可以保证包含相同或更少数量的人而解决了现有数据集规模有限的问题。本文还从Google收集了两个人群场景数据集,并演示了如何在多任务网络中合并学习排名和人群密度估计。在两个最具挑战性的群体计数数据集上的实验证明了该方法获得了最先进的结果。
Mar, 2018
本研究提出了一种基于CNN回归器和自上而下反馈的人群计数方法,通过利用空间上下文和场景语义来解决人群计数过程中由于外观的大量变异性和场景噪声而导致的假预测问题。
Jul, 2018
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
介绍了一种用于人群计数的检测框架,采用LSC-CNN模型,解决了人群中的人头检测、计数等问题。
Jun, 2019
介绍了一种用于人群计数的CNN网络,并使用采集自多个不同场景的大规模数据集评估了这种方法。该网络使用残差学习以及基于不确定性的置信加权机制进行创新,从而获得了显著的计数准确度改善。
Apr, 2020
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