CVPRDec, 2020

跨模态协同表示学习与用于人群计数的大规模 RGBT 基准

PDF
TL;DR本篇研究通过使用 RGBT 图像和多模态协作表征学习框架来实现人群计数，并提供一个大规模 RGBT 人群计数基准测试数据集，研究表明该框架在 RGBT 人群计数和多模态人群计数方面表现优异。
crowd countingrgbt imagescollaborative representation learningpedestrian recognitionmultimodal
发现论文，激发创造
  • 基于 Pix2Pix GAN 的多模态人群计数

    本文提出使用生成对抗网络（GANs）从彩色（RGB）图像自动生成热红外（TIR）图像，并同时使用两者训练人群计数模型以提高精确度。在多个人群计数模型和基准人群数据集上进行的实验证明了显著的精确度提升。

    Jan, 2024

  • JHU-CROWD++: 大规模人群计数数据集与评价方法

    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

  • 实时无人机监督下的人群计数统一多任务学习框架

    本研究提出了一种新的联合多任务学习框架，用于实时监控人群计数的无人机监控。该框架利用图像融合网络结构来融合可见光和热红外图像，并使用人群计数网络结构来估计密度图。结果表明，与现有方法相比，该方法在客观评估和训练过程中具有可比较的结果。

    Feb, 2022

  • TAFNet：一种针对 RGB-T 人群计数的三流自适应融合网络

    本文提出了一个名为 TAFNet 的三流自适应融合网络，使用配对的 RGB 和热像图进行人群计数，实验结果在 RGBT-CC 数据集上表现出超过 20％的改进。

    Feb, 2022

  • 一种统一的 RGB-T 显著性检测基准：数据集，基线，分析和新方法

    通过综合不同模态的输入方式，构建了一个适用于 RGB-T 图像的数据集，并提出了一种新的方法：多任务流形排序与跨模态一致性，大大提高了图像显著性检测的性能。

    Jan, 2017

  • 现有的多模态人群计数数据集可能会导致实际应用中无法实现的期望

    本文探讨了多模型与单模型在人群计数方面的差异，并发现现有数据集存在热成像的偏见，提出了一个潜在数据集的标准，以回答多模型是否在人群计数方面表现更好的问题。

    Apr, 2023

  • 学习跨模态深度表示以实现鲁棒的行人检测

    本文介绍了一种新的行人检测方法，基于跨模态学习框架、深度卷积神经网络等技术，可在恶劣光照条件下实现行人检测，并在公开数据集上表现出优异的性能。

    Apr, 2017

  • RGB-T 对象跟踪：基准与基线

    该研究提出了一个大规模的 RGB-T 追踪视频基准数据集和一种新的基于图的方法，以学习强大的对象表示并实现多源数据融合的自适应融合，对其他最先进的追踪方法进行比较，并提供了对 RGB-T 对象追踪领域的新见解和潜在研究方向。

    May, 2018

  • 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

  • 带时间感知网络的快速视频人群计数

    本文提出了基于时间感知建模的人群计数方法，使用了一些扩张残差块，并提出了一个轻量级网络来平衡计算成本和表示能力，实验表明该方法在人群计数领域具有显著的优势。

    Jul, 2019