Feb, 2020

ZoomCount：静态图像人群计数的缩放机制

PDF
TL;DR本文提出了一种新的方法，在静态图像中高效地进行低到高密度场景下的人群计数，该方法通过模块化的形式对极端情况进行特别分析，有效地解决了现有方法不能满足高度多样化人群分类和背景混杂的问题，并经过了广泛的实验评估，证明在不同标准下优于现有技术。
发现论文，激发创造
  • 高密度场景下全卷积人群计数

    本文介绍了一种利用计算机视觉技术进行高密度场景下人群计数的方法，使用了全卷积人群计数模型来提高计数准确性和稳健性，并设计了数据增强和多尺度平均等技巧来提高模型的适应性和广泛适用性

    Dec, 2016

  • 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

  • 学会缩放：生成多极归一化密度图用于人群计数

    本文提出了一种简单有效的方法，通过密度估计模型提取小块密度图，并根据完整数据集确定的几个密度级别进行分组，再通过在线中心学习策略来自动规范化每个小块密度图，从而将密度分布显着凝聚成几个簇，并使密度差异可以被单个模型学习，从而在 MAE 上优于现有方法。

    Jul, 2019

  • 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

  • 迭代缩放与细化实现精准千万人群计数

    本文介绍了一种名为 GigaZoom 的方法，它通过迭代地放大图像的密集区域并用更细的细节来改进更粗的密度图，从而实现了千兆像素人群计数的最先进精度，并将下一个最佳方法的精度提高了 42%。

    May, 2023

  • 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

  • 使用混合多摄像头方法在拥挤与室外场景中进行人数统计

    本研究提出两种新方法用于在拥挤和开放环境下进行人群计数，利用多个视图收集的信息，结合使用多个相机。多个相机用于扩大视野并缓解单个相机计数方法常常受到的遮挡的问题。两种方法都能够统计场景中人员的数量而不仅仅是单帧图像或视频帧。在基准 PETS2009 视频数据集上获得的实验结果表明，所提出的间接方法 surpasses 其他方法，提供了拥挤场景的准确计数结果；然而，由于后者需要解决更复杂的问题（如头部分割），因此直接方法表现出较高的误差率。

    Apr, 2017

  • 基于尺度感知注意力网络的人群计数

    本文提出了一种新的 scale-aware attention 网络模型，利用注意力机制结合全局和局部尺度来解决人群计数中的尺度变化问题，并在多个基准数据集上优于其他最先进的人群计数方法。

    Mar, 2019

  • 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

  • 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