Sep, 2020

人群计数的分布匹配

PDF
TL;DR该研究提出了一种基于 Distribution Matching 和 Optimal Transport 的 DM-Count 人群计数方法，通过引入 Total Variation loss 来稳定计算，相较于现有高斯平滑方法，在 UCF-QNRF 和 NWPU 数据集上误差减少了近 16%，且在 ShanghaiTech 和 UCF-CC50 数据集上取得了最优结果。
crowd countingdm-countoptimal transporttotal variation lossgeneralization error bound
发现论文，激发创造
  • 基于分布匹配的完全自监督人群计数

    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

  • 基于扩散的数据增强用于目标计数问题

    使用扩散模型生成的合成数据对深度学习方法在人群计数方面进行增强，减小了真实数据有限导致的过拟合问题，该方法在多个数据集上表现出了显著的性能提升。

    Jan, 2024

  • 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

  • 众包计数的不确定性估计和样本选择

    本文提出了一种基于图像的人群计数方法，可以预测人群密度地图以及与预测密度地图相关的不确定性值，并开发出卷积神经网络架构来预测这些分布，通过使用高斯分布对人群密度值进行建模来获得预测不确定性，并开发了样本选择策略以减少适应计数网络所需的人工注释工作量。

    Sep, 2020

  • 利用点监督进行人群计数的贝叶斯损失

    该研究提出了基于贝叶斯损失的密度图建立方法，通过点注释所构建的密度贡献概率模型来进行较可靠的监督学习，该方法在不使用外部侦测器或多尺度结构下，在最新的和最大的 UCF-QNRF 数据集上取得了最佳表现。

    Aug, 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

  • 基于逐像素密度分布建模的半监督计数

    本文提出了一种半监督人群计数模型，通过将像素密度值建模为概率分布，设计了像素密度分布匹配损失、增强变压器解码器以及交错一致性自监督学习机制，并在四个数据集上进行了广泛实验，结果表明该方法明显优于竞争模型。

    Feb, 2024

  • 人群计数的单一领域泛化

    通过使用单一内存库进行特征重构、多样性密度图回归和辅助任务分类，提出了一种名为 MPCount 的单一领域泛化方法，有效地解决了图像中的人群计数问题中的域偏移问题，并在不同数据集上实验证明其在狭窄源分布的训练数据中的非常准确的标签上优于现有方法的计数准确性。

    Mar, 2024

  • 密度聚类计数中的免费聚焦

    该研究旨在通过引入增强方法和前景蒸馏，以提高基于图像的计数任务的性能。作者在多个数据集上展示了该方法的有效性。

    Jun, 2023

  • 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