CVPRApr, 2019

点进去，盒子出来：超越人群计数

PDF
TL;DR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。
crowd countingdeep learningdetection networkpseudo ground truthcurriculum learning
发现论文，激发创造
  • 通过检测准确分辨密集人群中的位置、大小和数量

    介绍了一种用于人群计数的检测框架，采用 LSC-CNN 模型，解决了人群中的人头检测、计数等问题。

    Jun, 2019

  • 众包中的点数计数与定位：纯基于点的框架

    本文提出了一种基于点的框架用于联合人群计数和个体定位，通过密度归一化平均精度（nAP）来提供更全面和精确的性能评估，并使用决策匈牙利算法将最优的学习目标分配给所述一组点候选项，从而明确实现这一新颖想法的关键步骤。

    Jul, 2021

  • 重新审视透视信息以提高高效人群计数

    本研究提出了一种透视感知卷积神经网络（PACNN），以解决拥挤图像中的人群计数问题，该网络将透视信息集成到密度回归中，通过生成地面真值透视图并构建透视感知的多尺度密度加权层进行自适应性组合，具有较高的效率和有效性。

    Jul, 2018

  • 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

  • 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

  • 利用点监督进行人群计数的贝叶斯损失

    该研究提出了基于贝叶斯损失的密度图建立方法，通过点注释所构建的密度贡献概率模型来进行较可靠的监督学习，该方法在不使用外部侦测器或多尺度结构下，在最新的和最大的 UCF-QNRF 数据集上取得了最佳表现。

    Aug, 2019

  • 使用混合多摄像头方法在拥挤与室外场景中进行人数统计

    本研究提出两种新方法用于在拥挤和开放环境下进行人群计数，利用多个视图收集的信息，结合使用多个相机。多个相机用于扩大视野并缓解单个相机计数方法常常受到的遮挡的问题。两种方法都能够统计场景中人员的数量而不仅仅是单帧图像或视频帧。在基准 PETS2009 视频数据集上获得的实验结果表明，所提出的间接方法 surpasses 其他方法，提供了拥挤场景的准确计数结果；然而，由于后者需要解决更复杂的问题（如头部分割），因此直接方法表现出较高的误差率。

    Apr, 2017

  • 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

  • 稠密点预测：一种适用于人群计数和定位的简单基线

    本文提出了一个名为 SCALNet 的简单而有效的人群计数和定位网络，它将计数和定位任务视为像素密集预测问题，并将它们整合到一个端到端的框架中，在 NWPU-Crowd 基准测试中获得了超过 5％和 10％的改进。

    Apr, 2021

  • 基于 CNN 的密度估计与人群计数：综述

    本文通过对 220 多篇文献的综合和系统研究，主要研究基于 CNN 的密度图估计方法，根据评估指标，在人群计数数据集上选择前三名表现者，并分析其优缺点，希望对未来人群计数发展做出合理推断和预测，同时也为其他领域的目标计数问题提供可行的解决方案。

    Mar, 2020