CVPRMar, 2019

基于 Trellis 编码 - 解码网络的人群计数与密度估计

PDF
TL;DR研究了人群计数，在此提出了一种基于 trellis 编码器解码器网络 (TEDnet) 的方法，集中在生成高质量的密度估计图，并在四个基准测试中取得了最新的最佳表现。
crowd countingtrellis encoder-decoder networkdensity estimation mapscombinatorial lossstate-of-the-art performance
发现论文，激发创造
  • DENet: 一种适用于不同密度和尺度人群计数的通用网络

    本文提出一种名为 DENet 的网络，包含一个检测网络和一个编码 - 解码估算网络，用于对密度变化较大的对象进行计数，MAE 表现优于其他先进方法。

    Apr, 2019

  • DecideNet: 基于注意力指导的检测和密度估计技术的人群变化密度计数

    该研究提出了一种名为 DecideNet 的新型端到端人群计数框架，它可以根据实际密度情况自适应地决定适当的计数模式，利用检测和回归基础的密度地图分别进行人群密度估计，并采用关注模块指导适当的估计方法，实现了在三个具有挑战性的人群计数数据集上的最先进表现。

    Dec, 2017

  • 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

  • W-Net：强化型 U-Net 用于密度图估计

    本文提出了一种基于 U-Net 的网络模型，结合独立解码强化分支，用于解决计数密集区域人群管理的问题，可以实现较高的结构相似性指数 (SSIM)，并且对当前架构的缺点进行了分析。

    Mar, 2019

  • 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

  • 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

  • 实时无人机监督下的人群计数统一多任务学习框架

    本研究提出了一种新的联合多任务学习框架，用于实时监控人群计数的无人机监控。该框架利用图像融合网络结构来融合可见光和热红外图像，并使用人群计数网络结构来估计密度图。结果表明，与现有方法相比，该方法在客观评估和训练过程中具有可比较的结果。

    Feb, 2022

  • 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

  • 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

  • LCDnet：用于实时视频监控的轻量级人群密度估计模型

    本文提出了一种轻量级人群密度估计模型（LCDnet）和一个改进的训练方法（CL），并在无人机视频监控中实现了实时计数；实验结果表明，LCDnet 在一定范围内准确性较高，同时显著降低了推理时间和内存需求，可以在计算资源非常有限的边缘设备上部署。

    Feb, 2023