ICCVMar, 2019
集中计数自由
Counting with Focus for Free
Zenglin Shi, Pascal Mettes, Cees G. M. Snoek
TL;DR本文提出了一种基于点标注的目标计数方法,以构建更好的密度图作为监督信号,同时将点标注视为更多用途的监督信号,从而提高了计数的准确性。
Abstract
This paper aims to count arbitrary objects in images. The leading counting
approaches start from point annotations per object from which they construct
→
发现论文,激发创造
AFreeCA:无需标注的全能计数
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
点进去,盒子出来:超越人群计数
本研究提出了一种新的基于检测的深度学习网络来实现对人头大小及数量的计数,在使用伪基础真值进行训练时实施了一种在线更新方案和局部约束回归损失,并采用课程学习策略来训练网络,实验结果表明,该方法在多个标准数据集上的检测与计数任务中表现卓越。
Apr, 2019
基于提示的免训练物体计数
本文提出了一种基于分割思想的无需训练数据的物体计数方法,该方法避免了传统依赖昂贵标注数据的物体计数问题,所提出的先验引导掩码产生方法为计数精度提供了帮助,同时还可以应用于任意形状物体的计数.
Jun, 2023
基于计数级弱监督的人群计数方法
本文旨在探讨利用计数级别注释,学习从少量定位级别注释中有效地训练模型的弱监督众包计数问题。 通过多个辅助任务的训练策略,构建规则来限制生成的密度图的自由度,这与直接回归密度图的积分到对象计数不足。实验证明,该技术优于现有的解决方案。
Feb, 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