Jan, 2020

NWPU-Crowd：面向人群计数和定位的大规模基准库

PDF
TL;DR本研究构建了一个大规模的拥挤人群计数和定位数据集，其中包含超过 5,000 张图像和超过 2 百万个已标注的头部坐标点和框，并在此基础上对现有的一些主流人数计数方法进行了性能评估，并提出了一些新的问题。
crowd countinglocalizationcnndatasetperformance evaluation
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

  • 基于 CNN 的密度估计与人群计数：综述

    本文通过对 220 多篇文献的综合和系统研究，主要研究基于 CNN 的密度图估计方法，根据评估指标，在人群计数数据集上选择前三名表现者，并分析其优缺点，希望对未来人群计数发展做出合理推断和预测，同时也为其他领域的目标计数问题提供可行的解决方案。

    Mar, 2020

  • 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

  • 稠密点预测：一种适用于人群计数和定位的简单基线

    本文提出了一个名为 SCALNet 的简单而有效的人群计数和定位网络，它将计数和定位任务视为像素密集预测问题，并将它们整合到一个端到端的框架中，在 NWPU-Crowd 基准测试中获得了超过 5％和 10％的改进。

    Apr, 2021

  • 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

  • 推动无限制人群计数的前沿：新数据集和基准方法

    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。

    Oct, 2019

  • 无人机在人群中的检测、跟踪和计数：一个基准测试

    通过新构建的无人机大规模数据集 DroneCrowd，该研究设计了一种名为 STNNet 的算法，旨在解决密集人群中的物体检测、跟踪和计数。该算法借助空间 - 时间领域中下文信息处理相机拍摄的无人机视频，并通过邻域上下文丢失函数解决密集人群中的物体检测跟踪问题，并取得最先进技术方案的竞争结果。

    May, 2021

  • 多尺度群体计数与定位通过多任务点监督

    本文提出了一种多任务方法来统一框架中进行人群计数和人员定位，通过学习编码人群图像的多尺度表示并将它们融合，我们的模型比相对较流行的基于密度的方法使用点监督来精确地识别人群位置，并在两个流行的分别是 ShanghaiTech A 和 B 的人群计数数据集上测试了我们的模型，展示了我们的方法在人群计数和定位任务上的强效果，分别在 ShanghaiTech A 和 B 上具有 110.7 和 15.0 的 MSE 量和 0.71 和 0.75 的 AP 量，我们的详细消融实验显示了多尺度方法的影响以及我们网络中嵌入的融合模块的有效性。

    Feb, 2022

  • 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

  • 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