Aug, 2018

为人群计数辩护的单列网络

PDF
TL;DR该研究提出了一种名为 SCNet 的单列计数网络，使用残差融合模块（RFMs）进行多尺度特征提取，金字塔池化模块（PPM）进行信息融合，使用子像素卷积模块（SPCM）进行分辨率恢复来高效地估计高分辨率密度图，具有高效的优势。研究还提供了一种原则性的范式用于密度图生成和数据增强，在三个基准数据集上进行的广泛实验表明，该方法在人群计数方面取得了新的最高效果，超过以前的方法很多，说明 SCNet 可以作为单列网络用于人群计数。
crowd countingdensity estimationcomputer visionsingle-column counting networkmulti-scale feature extraction
发现论文，激发创造
  • 多尺度卷积神经网络用于人群计数

    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

  • 密集尺度网络用于人群计数

    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

  • 带有注意力机制的双通道多尺度融合网络用于人群计数

    本文提出了一种名为 SFANet 的新型双路径多尺度融合网络架构，其中包括一种注意力机制，可以在高度拥挤的人群场景中执行精确的计数估计以及提供高分辨率密度地图。该网络包括 VGG 骨干卷积神经网络和双路径多尺度融合网络，可生成高质量的高分辨率密度地图，并在多个数据集上表现出最佳性能。

    Feb, 2019

  • 基于比例自适应卷积神经网络的人群计数

    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

  • 尺度变化和孤立聚类下的图像人群计数

    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

  • 稠密点预测：一种适用于人群计数和定位的简单基线

    本文提出了一个名为 SCALNet 的简单而有效的人群计数和定位网络，它将计数和定位任务视为像素密集预测问题，并将它们整合到一个端到端的框架中，在 NWPU-Crowd 基准测试中获得了超过 5％和 10％的改进。

    Apr, 2021

  • 透视引导卷积网络用于人群计数

    本文提出了一种新的基于 CNN 的人群计数方法，即 PGCNet，采用了透视信息来指导特征映射的空间变量平滑，通过有效透视估计分支的引入，我们在四个基准数据集上对 PGCNet 的表现进行了全面的实验研究。

    Sep, 2019

  • 用于人群计数的多尺度注意力网络

    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

  • 基于编码 - 解码的卷积神经网络和多尺度感知模块的人群计数

    本文提出了两种基于双通道多尺度融合网络（SFANet）和 SegNet 的修正神经网络，用于准确高效地进行人群计数。其中一种模型使用 atrous spatial pyramid pooling（ASPP）和上下文感知模块（CAN）来增强多尺度特征提取和上下文特征编码能力，另一种模型通过替换 SFANet 中的双线性上采样为 max unpooling 来实现更快速的算法。经过实验证明，这些修正使算法能够改进现有的人群计数方法。

    Mar, 2020

  • 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