AdaCrowd:无标签场景适应用于人群计数
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。
Feb, 2020
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
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
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
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
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
本文提出了一种基于特征学习和密度图的半监督人群计数方法,将未标注的图像用于训练通用的特征提取器并将其用于密度图回归,同时利用自训练方案来学习相关的二元分割任务,表明该方法优于现有的半监督人群计数方法和基线方法。
Jul, 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
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
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