利用逆 K 近邻图和多尺度上采样改进稠密人群计数卷积神经网络
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
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
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
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
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
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
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
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。
Aug, 2018
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
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