Few-Shot 场景自适应人群计数基于元学习

Feb, 2020

Few-Shot 场景自适应人群计数基于元学习

Few-Shot Scene Adaptive Crowd Counting Using Meta-Learning

Mahesh Kumar Krishna Reddy, Mohammad Hossain, Mrigank Rochan, Yang Wang

TL;DR本文提出了一种利用学习 - 学习范式来解决在很少的标注数据的情况下，如何将人群计数模型适应到特定场景的问题，通过模型参数的快速适应实现了从训练到测试的闭环，实验结果表明该方法优于其他替代方案。

Abstract

We consider the problem of few-shot scene adaptive crowd counting. Given a target camera scene, our goal is to adapt a model to this specific scene with only a few labeled images of that scene. The solution to th

few-shot scene adaptive crowd counting learning-to-learn paradigm target camera scene adaptation model parameters

发现论文，激发创造

AdaCrowd：无标签场景适应用于人群计数

提出了一种无标签场景自适应人群计数方法 AdaCrowd，通过使用目标场景的一张或多张无标签图像进行自适应，以更好地适应不同场景的实际应用。

Oct, 2020

Few-shot 场景自适应异常检测

利用元学习方法解决异常检测在视频中的问题，通过仅使用少量帧数的数据来检测以前未见过的场景中的异常行为，可以用于实时应用中，具有很大的潜力。

Jul, 2020

适应性场景发现用于人群计数

本文提出了一种适应性场景发现框架用于人群计数，该系统包括两个平行通道和一个自适应重校准分支，能够代表高度变化的人群图像并在两个具有挑战性的基准测试中实现了最先进的结果。

Dec, 2018

自适应注意力的小样本分类

本文提出一种新的 few-shot 学习方法，通过优化和快速适应查询样本的表示来改进 few-shot 分类，所提出的自适应注意力模型还能够解释分类模型所寻找的证据。在各种基准 few-shot 分类和精细识别数据集上，实验证明了所提出模型的分类结果达到了最先进水平。

Aug, 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

从少量标记数据中学习人群中的计数

通过半监督学习和高斯过程估算建立虚拟基准，实现充分利用未标注样本数据，学习缩减标注数据的技术，在人群计数领域的多个数据集上表现出了优异的性能，且可实现从虚拟数据集到真实数据集（综合 - 真实转移）的迁移。

Jul, 2020

计数卷积神经网络混合：专门用于人群计数的外观自适应卷积神经网络整合

本论文提出了一种群众计数方法，该方法使用多个针对特定外观的 CNN 进行预测，这些 CNN 根据测试图像的外观被自适应地选择，从而具有对大尺度外观变化的鲁棒性，并且可以比 CNN 和固定权重的集成方法更准确地计算群体数量。

Mar, 2017

通过学习排名利用未标记的数据进行人群计数

提出了一种新颖的群体计数方法，利用了学习排名框架中丰富可用的未标记人群图像。该方法采用裁剪图像的排名方式，通过考虑拥挤场景图像的任何子图像都可以保证包含相同或更少数量的人而解决了现有数据集规模有限的问题。本文还从 Google 收集了两个人群场景数据集，并演示了如何在多任务网络中合并学习排名和人群密度估计。在两个最具挑战性的群体计数数据集上的实验证明了该方法获得了最先进的结果。

Mar, 2018

利用合成数据学习野外人群计数

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

具有局部计数图的自适应混合回归网络用于人群计数

本文研究了人群计数的问题，并提出了新的方法，通过引入局部计数映射（LCM）等新的训练目标，以及采用混合回归框架的三个模块（SAM， MRM 和 ASIM）来进一步提高人群估计的精度。

May, 2020