使用深度进行像素级别的人群计数中的对抗性攻击检测

Nov, 2019

使用深度进行像素级别的人群计数中的对抗性攻击检测

Using Depth for Pixel-Wise Detection of Adversarial Attacks in Crowd Counting

Weizhe Liu, Mathieu Salzmann, Pascal Fua

TL;DR本文旨在探讨已有的网络攻防机制在人群计数任务上的有效性。我们提出了一种简单而有效的像素检测机制，利用一个多任务网络中各个输出的相互作用，充分发挥了深度网络在人群计数任务中的性能。最终结果表明我们的机制在攻击与防御之间实现了较好的平衡。

Abstract

State-of-the-art methods for counting people in crowded scenes rely on deep networks to estimate crowd density. While effective, deep learning approaches are vulnerable to adversarial attacks, which, in a

crowd-counting deep learning adversarial attacks detection mechanism multitask networks

发现论文，激发创造

上下文感知人群计数

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

点进去，盒子出来：超越人群计数

本研究提出了一种新的基于检测的深度学习网络来实现对人头大小及数量的计数，在使用伪基础真值进行训练时实施了一种在线更新方案和局部约束回归损失，并采用课程学习策略来训练网络，实验结果表明，该方法在多个标准数据集上的检测与计数任务中表现卓越。

Apr, 2019

DecideNet: 基于注意力指导的检测和密度估计技术的人群变化密度计数

该研究提出了一种名为 DecideNet 的新型端到端人群计数框架，它可以根据实际密度情况自适应地决定适当的计数模式，利用检测和回归基础的密度地图分别进行人群密度估计，并采用关注模块指导适当的估计方法，实现了在三个具有挑战性的人群计数数据集上的最先进表现。

Dec, 2017

面向对抗贴片分析和认证防御的人群计数

本文提出 Adversarial Patch Attack with Momentum（以下简称 APAM）攻击来评估人群计数模型的鲁棒性，使用极密集背景信息的图像生成鲁棒的对抗性贴片，并提出基于回归模型的随机削弱来提高人群计数模型的对抗鲁棒性。

Apr, 2021

基于卷积神经网络的单张图像人群计数和密度估计的最新研究综述

本文综述了基于深度学习的卷积神经网络方法在人群计数和密度图估计方面的最新研究和挑战，并评估了手工特征表示方法与深度学习方法在可靠性和效率方面的优缺点。

Jul, 2017

重新审视透视信息以提高高效人群计数

本研究提出了一种透视感知卷积神经网络（PACNN），以解决拥挤图像中的人群计数问题，该网络将透视信息集成到密度回归中，通过生成地面真值透视图并构建透视感知的多尺度密度加权层进行自适应性组合，具有较高的效率和有效性。

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

人群计数的后门攻击

本文研究了基于深度学习的人群计数模型对后门攻击的容易受到的影响，并提出了两种新的密度操纵后门攻击（DMBA - 和 DMBA+），并对五款常用人群计数模型和四种数据集进行了实证研究。

Jul, 2022

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 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