Aug, 2018

密集人群中的计数、密度图估计和定位的组合损失

PDF
TL;DR本研究提出一种新颖的方法解决在给定密集人群图像中计数、密度图估计和人物定位的问题，成果在新数据集上的表现大幅领先于现有的深度 CNN 网络。
visual crowd analysiscrowd safetycrowd countingdensity map estimationdeep cnn networks
发现论文，激发创造
  • 基于卷积神经网络的单张图像人群计数和密度估计的最新研究综述

    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

  • 基于 CNN 的密度估计与人群计数：综述

    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

  • 众包计数的不确定性估计和样本选择

    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

  • 迭代式群体计数

    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

  • 基于 CNN 的级联多任务学习模型用于人群计数的高层先验和密度估计

    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

  • 超越计数：应用于人群分析任务的密度地图比较 —— 计数、检测和跟踪

    研究密度图估算在拥挤场景中对人群分析（计数、检测和跟踪）的性能及其质量评估指标，探讨使用经典卷积神经网络和滑动窗口回归器解决下采样步长导致分辨率下降的问题，发现分辨率低的密度图在计数任务中得分较高，而分辨率高的密度图则可以提高检测和跟踪等位置精度任务的性能，并提出了多项性能指标。

    May, 2017

  • 利用点监督进行人群计数的贝叶斯损失

    该研究提出了基于贝叶斯损失的密度图建立方法，通过点注释所构建的密度贡献概率模型来进行较可靠的监督学习，该方法在不使用外部侦测器或多尺度结构下，在最新的和最大的 UCF-QNRF 数据集上取得了最佳表现。

    Aug, 2019

  • CrowdNet：一种用于密集人群计数的深度卷积网络

    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

  • 高密度场景下全卷积人群计数

    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

  • 学会缩放：生成多极归一化密度图用于人群计数

    本文提出了一种简单有效的方法，通过密度估计模型提取小块密度图，并根据完整数据集确定的几个密度级别进行分组，再通过在线中心学习策略来自动规范化每个小块密度图，从而将密度分布显着凝聚成几个簇，并使密度差异可以被单个模型学习，从而在 MAE 上优于现有方法。

    Jul, 2019