类别无关计数
本文提出了一种用于类别无关计数的视觉计数器,利用区域建议网络及密度估计对重复出现的对象进行计数,实现对新颖目标类别的自动化计数。实验表明,该方法在 FSC-147 数据集上表现优异。
May, 2022
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
不需要训练的前提下,本研究提出了一种直接的解决方案,通过利用预先存在的基础模型进行实例级分割,通过四项关键技术的结合,实现了性能的显著提升,与基于训练的方法相媲美。
Mar, 2024
我们提出了一个新颖的互动式无类别对象计数框架,其中人类用户可以交互地提供反馈以提高计数器的准确性。我们的框架包括两个主要组成部分:一个用户友好的可视化工具来收集反馈,以及一个高效的机制来整合它。
Sep, 2023
本研究提出了 Counting Transformer (CounTR) 用于实现对任意语义类别的目标进行计数,并采用两阶段的训练策略进行无监督预训练和有监督微调,通过综合评估获得了当前最先进的零样本和少样本计数结果,并使用大规模计数基准进行了彻底的消融研究。
Aug, 2022
通过半监督学习和高斯过程估算建立虚拟基准,实现充分利用未标注样本数据,学习缩减标注数据的技术,在人群计数领域的多个数据集上表现出了优异的性能,且可实现从虚拟数据集到真实数据集(综合 - 真实转移)的迁移。
Jul, 2020
本研究提出了一个相似性感知的类不可知计数 (CAC) 框架,它同时学习了特征表示和相似度度量,并通过一个叫做 BMNet 的基线和一个叫做 BMNet + 的扩展模型对其进行了实例化,以 FSC147 数据集为实验基础,证明了该模型显著优于现有 CAC 方法。
Mar, 2022
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。
Nov, 2017
使用第一个多类别、无类型先验的计数数据集(MCAC)和一个无类型先验的盲计数器(ABC123),该方法可以在训练或推断过程中同时计数多种类型的对象,不需要使用对象示例。ABC123 在 MCAC 上的性能优于现有方法,也适用于 FSC-147,这是一个标准的无类型计数数据集。
Sep, 2023