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
本文提出了一种端到端的可训练深度结构,该结构利用多个接收场大小获得的特征,并学习每个图像位置上每个特征的重要性,从而适应性地编码了准确预测人群密度所需的上下文信息的尺度,特别是在透视效果强烈时表现优于现有的人群计数方法。
Nov, 2018
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
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
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
提出了一种 “尺度感知” 人群计数网络 (SACC-Net),通过引入具有纠正噪声注释能力的空间变化高斯分布来同时建模标签错误和尺度变化,从而生成细粒度的人群密度热力图,进而实现优越的人群计数准确性。
Dec, 2023
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
采用浅层特征的注意力模型及密集连接的层级图像特征,提出一种用于仍图像人群计数的 SDANet,并在多个基准数据集上表现出优异的性能。
Jun, 2020
本文提出了一种利用神经网络及空间变换模型解决人流量不规则变化问题的方法,在 4 个数据集上实验得到了 12%-22.8% 的改进。
Jul, 2018
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