Feb, 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

PDF
TL;DR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。
crowd countingdensity mapssfanetmulti-scale fusionattention mechanism
发现论文，激发创造
  • 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

  • 基于浅层特征的密集注意力网络用于人群计数

    采用浅层特征的注意力模型及密集连接的层级图像特征，提出一种用于仍图像人群计数的 SDANet，并在多个基准数据集上表现出优异的性能。

    Jun, 2020

  • 基于尺度感知注意力网络的人群计数

    本文提出了一种新的 scale-aware attention 网络模型，利用注意力机制结合全局和局部尺度来解决人群计数中的尺度变化问题，并在多个基准数据集上优于其他最先进的人群计数方法。

    Mar, 2019

  • 基于联合似然密度图和合成融合金字塔网络的尺度感知人群计数

    本文开发一种 Synthetic Fusion Pyramid Network（SPF-Net）和设计具有尺度感知损失函数，以实现准确的人群计数。我们以 Gaussian 模型噪声标注点，从输入图像中导出人群概率密度图。然后，我们使用多尺度完全协方差近似联合分布，以实现可构建性和高效实现的低秩近似。所提出的 SPF-Net 可以准确地预测人群中人员的位置，尽管是在嘈杂的训练注释下训练的。

    Nov, 2022

  • 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

  • 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

  • 多层级底部 - 顶部和顶部 - 底部特征融合用于人群计数

    针对高拥挤场景下的人群计数问题，我们提出了一种网络结构，利用多级底部 - 顶部和顶部 - 底部融合方法、跨度残差函数和精心生成的尺度感知的密度地图等技术，有效地解决了不同层次的信息整合问题，大大提高了计数的精度。

    Aug, 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

  • 为人群计数辩护的单列网络

    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。

    Aug, 2018