视频监控中基于特征的适应性与密度对齐的人群计数
本文提出了一种基于领域适应的人群计数 (DACC) 框架,通过高质量的图像翻译和密度图重建来解决使用合成数据进行无监督学习难以抑制领域差异并输出详细密度地图的问题,实验结果表明该方法在六个真实世界数据集上优于现有的最新方法。
Dec, 2019
本文提出了一种领域适应方法,采用语义一致性、语义提取和对抗训练技术解决了合成数据适应性差的问题,在三个数据集上实验结果表明该方案在跨领域计数问题中达到了最先进水平。
Feb, 2020
通过使用单一内存库进行特征重构、多样性密度图回归和辅助任务分类,提出了一种名为 MPCount 的单一领域泛化方法,有效地解决了图像中的人群计数问题中的域偏移问题,并在不同数据集上实验证明其在狭窄源分布的训练数据中的非常准确的标签上优于现有方法的计数准确性。
Mar, 2024
本文研究了基于单一源域的元学习框架,通过引入动态子域分割方案及设计域不变和域特定群体记忆模块实现了人群计数中跨内容场景的领域泛化,通过多个标准数据集的实验验证了该方法的强大通用性。
Dec, 2022
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
该研究提出了一个基于对抗学习的评分网络(ASNet),实现了深度神经网络在人群计数中的领先表现,通过对源域和目标域的全局和局部特征空间的对抗学习,结合粗到细的特征层次得分方法进行特征选择和知识迁移,有效地缓解了由于领域差异而导致的泛化瓶颈。
Jul, 2021
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
该研究提出了一种新的半监督计数方法,使用可学习的密度机构来将已识别的前景区域特征与其对应的密度子类(代理)接近,并将背景特征推开。通过密度导向的对比损失巩固骨干特征提取器,再使用变换器结构构建回归头进一步优化前景特征。提供了高效的噪声压制损失以最小化注释噪声的负面影响。在四个具有挑战性的人群计数数据集上的广泛实验表明,我们的方法比最先进的半监督计数方法具有更优越的性能。
Sep, 2022
该研究通过利用合成数据生成器和标注器构建了一个大规模,多样化的合成数据集,采用两个方案 (预训练和领域自适应) 来提高人群计数的性能。实验显示,该方法在真实数据集上实现了最先进的性能。
Mar, 2019
该论文提出了一种名为 PaDNet 的框架,它具有 Density-Aware Network (DAN) 模块和 Feature Enhancement Layer (FEL) 模块,能够有效检测不同密度区域内的人群数量,并提出了两种改进的指标 (PMAE 和 PRMSE) 用于该场景下的模型评估。实验结果表明,该方法在四个人群计数基准数据集上均达到了最先进的性能水平和高鲁棒性。
Nov, 2018