ICCVOct, 2019

推动无限制人群计数的前沿：新数据集和基准方法

PDF
TL;DR本文提出了一种新的人群计数网络，通过残差误差估计逐步生成人群密度图，并引入基于不确定性的置信度加权机制作为残差学习的指导，仅允许高置信度残差在细化路径中流动。在最近的复杂数据集上进行评估并获得了显着的错误改进。此外，我们还推出了一个新的大规模无约束人群计数数据集（JHU-CROWD），其图像数量比最近的人群计数数据集多约 2.8 倍，包含来自多种不同场景和环境条件的图像和完整标注。
crowd counting networkresidual learninguncertainty-based confidence weighting mechanismjhu-crowdlarge scale crowd counting dataset
发现论文，激发创造
  • JHU-CROWD++: 大规模人群计数数据集与评价方法

    介绍了一种用于人群计数的 CNN 网络，并使用采集自多个不同场景的大规模数据集评估了这种方法。该网络使用残差学习以及基于不确定性的置信加权机制进行创新，从而获得了显著的计数准确度改善。

    Apr, 2020

  • 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

  • CrowdNet：一种用于密集人群计数的深度卷积网络

    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

  • 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

  • ResnetCrowd：一种残差深度学习架构，用于人群计数、暴力行为检测和人群密度级别分类

    本文提出了 ResnetCrowd，这是一种用于同时进行人群计数、暴力行为检测和人群密度级别分类的深度残差结构。实验结果表明，多任务方法提高了所有任务的性能，特别是在暴力行为检测方面，ROC 曲线 AUC 得分提高了 9％。

    May, 2017

  • 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

  • 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

  • 众包计数的不确定性估计和样本选择

    本文提出了一种基于图像的人群计数方法，可以预测人群密度地图以及与预测密度地图相关的不确定性值，并开发出卷积神经网络架构来预测这些分布，通过使用高斯分布对人群密度值进行建模来获得预测不确定性，并开发了样本选择策略以减少适应计数网络所需的人工注释工作量。

    Sep, 2020

  • 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

  • MRCNet：航空和地面图像中的人群计数和密度图估计

    本文介绍了一种新的人群数据集 (DLR-ACD)，并提出了一种基于 VGG-16 网络和多分辨率的编码器 - 解码器卷积神经网络 (MRCNet) 来对其进行准确的人群计数和密度图估计。结果表明，该方法在估计空中和基于 CCTV 的图像的人群计数和密度图方面优于现有的人群计数方法。

    Sep, 2019