CVPRDec, 2019

自然场景中通用物体计数的部分监督方法

PDF
TL;DR提出了两种新的小样本监督型框架 (LC 和 RLC)，旨在解决自然场景下对象计数的挑战性计算机视觉问题，这些框架基于一种新型的双分支体系结构，采用只有较小目标计数监督和密度图预测，与其他高监督方法相比，性能不差。
object countingsupervised learningdual-branch architecturelower-count supervisiondensity map prediction
发现论文，激发创造
  • 基于图像级监督的目标计数与实例分割

    本文提出了一种基于图像级别监督学习实现常见物体计数的方法，该方法可以同时提供全局物体计数和物体实例的空间分布，并通过构建对象类别密度映射来实现。作者的方法在 PASCAL VOC 和 COCO 数据集上进行了全面实验，表现出了优异的性能。

    Mar, 2019

  • AFreeCA：无需标注的全能计数

    利用文本到图像的潜在扩散模型 (LDMs)，本研究介绍了一种无监督的排序方法，通过借助生成的计数数据，对任意类型的对象进行可靠计数，该方法优于其他无监督和少样本方法，不受特定对象类别计数数据的限制。

    Mar, 2024

  • 基于计数级弱监督的人群计数方法

    本文旨在探讨利用计数级别注释，学习从少量定位级别注释中有效地训练模型的弱监督众包计数问题。 通过多个辅助任务的训练策略，构建规则来限制生成的密度图的自由度，这与直接回归密度图的积分到对象计数不足。实验证明，该技术优于现有的解决方案。

    Feb, 2020

  • 学习数数

    该研究针对视觉物体计数问题，提出了一种基于少样本回归任务的方法，同时也介绍了一种新的适应策略和数据集以供模型训练和评估，并证明该方法在性能上优于现有的物体识别和计数方法。

    Apr, 2021

  • CounTR: 基于 Transformer 的通用视觉计数

    本研究提出了 Counting Transformer (CounTR) 用于实现对任意语义类别的目标进行计数，并采用两阶段的训练策略进行无监督预训练和有监督微调，通过综合评估获得了当前最先进的零样本和少样本计数结果，并使用大规模计数基准进行了彻底的消融研究。

    Aug, 2022

  • 重新思考零售店中的物体检测

    本文提出了一项名为 Locount 的新任务，即同时进行对象定位和计数，针对此任务，我们收集了一个大规模的对象定位和计数数据集，提供了一个新的评估协议，同时提供了一个被称为级联定位和计数网络的强基线，并在数据集上进行大量实验以证明其重要性和性能。

    Mar, 2020

  • 点、线段和计数：一种用于对象计数的普遍框架

    基于检测的 PseCo 框架将 SAM 和 CLIP 结合起来，实现了对少样本和零样本的准确目标计数，通过点定位、分割和计数等步骤解决了效率和小物体区分等难题。

    Nov, 2023

  • C-WSL: 计数引导的弱监督定位

    本文介绍了计数引导的弱监督定位 (C-WSL)，使用每类物体数量作为一种新的监督形式来改善弱监督定位 (WSL)。C-WSL 使用一种简单的基于计数的区域选择算法来选择高质量的区域，每个区域在训练期间覆盖一个单独的对象实例，并通过训练选择的区域来提高现有的 WSL 方法，实验结果表明，C-WSL 可以显著提高 WSL 性能，使其显著优于现有的最先进方法。同时，我们降低了注释时间，相对于中心点击和边界框注释，减少了超过 2 倍和 38 倍。

    Nov, 2017

  • 少样本物体计数和检测

    本文提出了一种新的两阶段训练策略和一种新的基于不确定性感知的少样本对象检测器：Counting-DETR，用于解决少样本目标计数和检测问题，并在两个新数据集上验证了其性能优于强基线模型。

    Jul, 2022

  • 交互式无类别物体计数

    我们提出了一个新颖的互动式无类别对象计数框架，其中人类用户可以交互地提供反馈以提高计数器的准确性。我们的框架包括两个主要组成部分：一个用户友好的可视化工具来收集反馈，以及一个高效的机制来整合它。

    Sep, 2023