Sep, 2019

改进基于多列卷积神经网络的人群计数学习

PDF
TL;DR本文提出了一种新颖的多列互学习策略（McML）以改善人群计数中规模表示的不变性，指出现有的多列网络存在显著冗余参数的问题，且采用异步参数更新过程的 McML 可以更有效地减少参数的冗余性并改善泛化能力，实验证明该方法在各项挑战性基准上显著提高了原有的多列网络，同时优于其他最先进的方法。
发现论文，激发创造
  • 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

  • 人脸识别的多列网络

    本论文旨在提出一种多列神经网络架构，它可以自适应地对输入的人脸图像集进行加权和校准，计算出一个固定大小的特征向量来代表整个集合，此举在人脸识别评测基准测试中的表现优异。

    Jul, 2018

  • 一个聚合的多列扩张卷积神经网络用于无视角计数

    本文提出利用扩张滤波器来构建聚合模块，以实现无透视计数的多列卷积神经网络。实验证明，我们的方法在许多基准数据集上胜过现有技术，并且结合更高数量的列来使用我们的聚合模块对于多尺度计数是有益的。

    Apr, 2018

  • 为人群计数辩护的单列网络

    该研究提出了一种名为 SCNet 的单列计数网络，使用残差融合模块（RFMs）进行多尺度特征提取，金字塔池化模块（PPM）进行信息融合，使用子像素卷积模块（SPCM）进行分辨率恢复来高效地估计高分辨率密度图，具有高效的优势。研究还提供了一种原则性的范式用于密度图生成和数据增强，在三个基准数据集上进行的广泛实验表明，该方法在人群计数方面取得了新的最高效果，超过以前的方法很多，说明 SCNet 可以作为单列网络用于人群计数。

    Aug, 2018

  • 学习用于人群计数的判别特征

    针对高度拥挤区域中的人群计数模型所面临的定位能力差和难以区分前景与背景的问题，我们提出了一种学习判别特征的框架，其中包括一个掩蔽特征预测模块（MPM）和一个监督的像素级对比学习模块（CLM），以改进模型的定位能力和区分前景与背景的能力。这些提出的模块对于密集场景或混乱环境中的精确定位等各种计算机视觉任务都有潜在的性能提升效果。

    Nov, 2023

  • 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

  • 基于比例自适应卷积神经网络的人群计数

    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

  • 尺度不变卷积神经网络

    本文提出了一种尺度不变的卷积神经网络（SiCNN），采用多列结构，每一列专注于特定尺度，用尺度变换共享相同的滤波器参数，以应对尺度变化，实验结果表明 SiCNN 能够检测各种尺度的特征，并且分类结果表现出对物体尺度变化的强大鲁棒性。

    Nov, 2014

  • 基于切换卷积神经网络的人群计数

    本文提出了一种新型的人群计数模型，使用带有密度的人群场景提高预测准确性和定位精度的切换卷积神经网络，并通过对所有主要人群计数数据集的广泛实验验证了其比现有最先进的方法具有更好的表现。

    Aug, 2017

  • 透视引导卷积网络用于人群计数

    本文提出了一种新的基于 CNN 的人群计数方法，即 PGCNet，采用了透视信息来指导特征映射的空间变量平滑，通过有效透视估计分支的引入，我们在四个基准数据集上对 PGCNet 的表现进行了全面的实验研究。

    Sep, 2019