ICCVAug, 2019

多层级底部 - 顶部和顶部 - 底部特征融合用于人群计数

PDF
TL;DR针对高拥挤场景下的人群计数问题，我们提出了一种网络结构，利用多级底部 - 顶部和顶部 - 底部融合方法、跨度残差函数和精心生成的尺度感知的密度地图等技术，有效地解决了不同层次的信息整合问题，大大提高了计数的精度。
crowd countingmulti-scale featuresnetwork layersscale-aware ground-truthcongested scenes
发现论文，激发创造
  • 带有注意力机制的双通道多尺度融合网络用于人群计数

    本文提出了一种名为 SFANet 的新型双路径多尺度融合网络架构，其中包括一种注意力机制，可以在高度拥挤的人群场景中执行精确的计数估计以及提供高分辨率密度地图。该网络包括 VGG 骨干卷积神经网络和双路径多尺度融合网络，可生成高质量的高分辨率密度地图，并在多个数据集上表现出最佳性能。

    Feb, 2019

  • 一种用于资源受限人群计数的轻量级特征融合架构

    轻量级模型在人群计数中具有可靠的计算效率和性能，并通过比较研究展现其有效性。

    Jan, 2024

  • 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

  • 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

  • 多尺度卷积神经网络用于人群计数

    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

  • 高密度场景下全卷积人群计数

    本文介绍了一种利用计算机视觉技术进行高密度场景下人群计数的方法，使用了全卷积人群计数模型来提高计数准确性和稳健性，并设计了数据增强和多尺度平均等技巧来提高模型的适应性和广泛适用性

    Dec, 2016

  • 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

  • 基于自上而下反馈的人群计数卷积神经网络

    本研究提出了一种基于 CNN 回归器和自上而下反馈的人群计数方法，通过利用空间上下文和场景语义来解决人群计数过程中由于外观的大量变异性和场景噪声而导致的假预测问题。

    Jul, 2018

  • 利用多视角融合和三维高斯核进行三维人群计数

    本研究提出了一种基于三维特征融合和场景密度图的多视角人群计数方法，并探索了在二维视图中的投影一致性，结果表明该方法在三个多视角计数数据集上表现更优或相当于现有最先进方法。

    Mar, 2020

  • 通过自适应融合图像金字塔预测实现人群计数

    该论文提出使用图像金字塔和自适应融合策略处理由于尺度变化和视角扭曲导致的严重遮挡问题，取得了非常优秀的效果。

    May, 2018