ICCVJul, 2019

学会缩放：生成多极归一化密度图用于人群计数

PDF
TL;DR本文提出了一种简单有效的方法，通过密度估计模型提取小块密度图，并根据完整数据集确定的几个密度级别进行分组，再通过在线中心学习策略来自动规范化每个小块密度图，从而将密度分布显着凝聚成几个簇，并使密度差异可以被单个模型学习，从而在 MAE 上优于现有方法。
发现论文，激发创造
  • 密集人群中的计数、密度图估计和定位的组合损失

    本研究提出一种新颖的方法解决在给定密集人群图像中计数、密度图估计和人物定位的问题，成果在新数据集上的表现大幅领先于现有的深度 CNN 网络。

    Aug, 2018

  • 面向人群计数的结构化非均匀密度图学习

    本文旨在处理极高密度场景下的人群计数问题，通过综合分析使用最广泛的基于密度图的方法并展示现有方法如何容易受到密度分布不均匀问题影响，证明其对偏离值敏感或难以优化的影响。接着，我们提出了一个极其简单的解决方案，即将密度图从二维扩展到三维，用额外的维度隐含地表示密度级别解决不均匀密度分布问题。这种解决方案可以通过单个密度感知网络实现，不仅易于训练，而且可以在各种具有挑战性的数据集上实现最先进的表现。

    Jan, 2018

  • 用于人群计数的多尺度注意力网络

    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

  • 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

  • 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

  • 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

  • ZoomCount：静态图像人群计数的缩放机制

    本文提出了一种新的方法，在静态图像中高效地进行低到高密度场景下的人群计数，该方法通过模块化的形式对极端情况进行特别分析，有效地解决了现有方法不能满足高度多样化人群分类和背景混杂的问题，并经过了广泛的实验评估，证明在不同标准下优于现有技术。

    Feb, 2020

  • 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

  • 多尺度群体计数与定位通过多任务点监督

    本文提出了一种多任务方法来统一框架中进行人群计数和人员定位，通过学习编码人群图像的多尺度表示并将它们融合，我们的模型比相对较流行的基于密度的方法使用点监督来精确地识别人群位置，并在两个流行的分别是 ShanghaiTech A 和 B 的人群计数数据集上测试了我们的模型，展示了我们的方法在人群计数和定位任务上的强效果，分别在 ShanghaiTech A 和 B 上具有 110.7 和 15.0 的 MSE 量和 0.71 和 0.75 的 AP 量，我们的详细消融实验显示了多尺度方法的影响以及我们网络中嵌入的融合模块的有效性。

    Feb, 2022

  • 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