密集尺度网络用于人群计数
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
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
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
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
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
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
本文提出了一种基于 Deep Structured Scale Integration Network (DSSINet) 的人群计数新方法,通过结构化特征表征学习和分层结构损失函数优化处理人的尺度变化,并利用多尺度特征和条件随机场进行特征增强,通过空洞多尺度结构相似性损失函数,从不同尺度的区域中学习人的局部相关性。实验验证表明,该方法能显著提高 Shanghaitech 数据集和 UCF-QNRF 数据集上的算法精度。
Aug, 2019
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
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