ICCVMar, 2019

集中计数自由

PDF
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。
发现论文，激发创造
  • 密度聚类计数中的免费聚焦

    该研究旨在通过引入增强方法和前景蒸馏，以提高基于图像的计数任务的性能。作者在多个数据集上展示了该方法的有效性。

    Jun, 2023

  • 学习数数

    该研究针对视觉物体计数问题，提出了一种基于少样本回归任务的方法，同时也介绍了一种新的适应策略和数据集以供模型训练和评估，并证明该方法在性能上优于现有的物体识别和计数方法。

    Apr, 2021

  • 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

  • 面具感知网络用于人群计数

    提出了一种新的方法解决人群计数问题，通过预测对象 / 非对象掩模并将其与输入图像相结合生成密度地图，进而在五个公共数据集上展示了该方法的卓越性能。

    Dec, 2018

  • 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

  • 一种统一的基于提示的计数的定点方法

    该研究论文介绍了一种基于提示的计数框架，能够生成关注对象的密度图，并采用固定点推理和对比训练来提高计数准确性。

    Mar, 2024

  • Count-ception: 全卷积冗余计数

    本文提出一种使用深度神经网络的方法，对数字图像中的对象进行自动计数和定位，相对于现有方法，其平均误差率有 20% 的相对改进。

    Mar, 2017

  • 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