基于代理任务自训练的半监督人群计数
本文提出一种基于空间不确定性的半监督学习方法,通过二元分割的正则化替代任务,结合教师 - 学生框架,同时针对高自信度区域信息进行研究,解决了标注数据不足的人群计数问题,实验证明该方法优于现有半监督方法。
Jul, 2021
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
提出一种完全自我监督的方法来解决密集人群计数问题,该方法可以在没有任何标注图像的情况下进行训练,通过预训练密度回归器实现特征学习,并通过最优化 Sinkhorn 距离匹配预测分布和先验分布来实现计数。实验结果证明了该方法在少量数据下也具有优越性。
Sep, 2020
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
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
半监督式人群计数中,通过使用伪标签和不确定性选择可靠的伪标签来训练模型的一种新方法,该方法通过匹配的基于补丁的代理函数更好地近似了人群计数任务的不确定性,从而生成了可靠的不确定性估计、高质量的伪标签,并达到了最新技术水平。
Aug, 2023
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
本文提出了一种基于主动学习的框架,可以在有限的监督下进行准确的人群计数,通过引入分布分类器对未标记的数据进行标记,以及将数据的分布标签和潜在表示混合在网络中,从而提高训练样本之间的分布对齐,实验结果表明,我们的方法可以在有限的图片数量下达到与完全标注数据集所用的前沿水平相当的性能。
Jul, 2020
本文提出了一种无监督人群计数的传输学习方法,其中通过从标记源集合得到的回归和检测模型双重知识,实现在未标记目标集合上检测和计数人数,并且在标记源集合中训练学习这些模型和转换器,然后竞争性的自我监督学习在目标集合上进行计数。
Aug, 2020
该研究提出了一种新的半监督方法,基于平均教师框架,以减轻训练可靠的人群计数模型所需的大量标注负担,从而增加数据量,提高模型的实用性和准确性。经验证明,在标签数据稀缺的情况下,仅通过未标记的数据来提高局部区域预测的准确性是不充分的,因此需要采用更细粒度的方法培养模型的内在 “突显” 能力,以 accurately estimate the count in regions by leveraging its understanding of the crowd scenes,并结合局部细节预测高密度区域,该方法在人群计数领域取得了最先进的表现。
Oct, 2023