CVPRMay, 2021

无人机在人群中的检测、跟踪和计数：一个基准测试

PDF
TL;DR通过新构建的无人机大规模数据集 DroneCrowd，该研究设计了一种名为 STNNet 的算法，旨在解决密集人群中的物体检测、跟踪和计数。该算法借助空间 - 时间领域中下文信息处理相机拍摄的无人机视频，并通过邻域上下文丢失函数解决密集人群中的物体检测跟踪问题，并取得最先进技术方案的竞争结果。
发现论文，激发创造
  • VisDrone-CC2020：无人机行人计数任务挑战的比赛结果

    本文介绍了无人机平台上群体计数的挑战，以及为了解决数据集的问题，提出了大规模数据集并组织相关挑战赛的方法。

    Jul, 2021

  • 基于局部约束的空间变形网络用于视频人群计数

    本研究提出一种基于密度图和局部限制空间变换网络（LSTN）的视频人群计数方法，旨在解决人员在场景中移动等因素引起的密度图变化问题，并通过收集包含 15K 帧的大规模视频人群计数数据集来验证该方法的有效性。

    Jul, 2019

  • DroneNet：利用自我组织神经网络的异构无人机实现人群密度估计

    本文针对公共场所的人群密度估计问题，提出了一种基于自组织神经网络和无人机的新型算法 DroneNet，应用了深度学习和卷积神经网络技术，结果表明该算法在等效 CNN 模型基础上性能更优。

    Nov, 2022

  • 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

  • NWPU-Crowd：面向人群计数和定位的大规模基准库

    本研究构建了一个大规模的拥挤人群计数和定位数据集，其中包含超过 5,000 张图像和超过 2 百万个已标注的头部坐标点和框，并在此基础上对现有的一些主流人数计数方法进行了性能评估，并提出了一些新的问题。

    Jan, 2020

  • 基于人群密度图中的网络流量的目标多目标追踪算法

    本文提出了一种新的基于人群密度图的多目标追踪（MOT）算法 —— 计数式追踪。通过联合建模检测、计数和跟踪多个目标为网络流算法，该算法同时找到全局最优的多个目标检测和轨迹。该方法在人员、细胞和鱼群跟踪等各领域的公共基准测试中表现出了良好的结果。

    Jul, 2020

  • STCrowd: 拥挤场景中行人感知的多模态数据集

    为了更好地评估拥挤场景下的行人感知算法，我们引入了一个大规模多模态数据集 STCrowd，并提出了一种新的方法 DHA 来增强拥挤场景中的行人感知。实验表明，我们的方法在各种数据集上均取得了最先进的性能。

    Apr, 2022

  • 点进去，盒子出来：超越人群计数

    本研究提出了一种新的基于检测的深度学习网络来实现对人头大小及数量的计数，在使用伪基础真值进行训练时实施了一种在线更新方案和局部约束回归损失，并采用课程学习策略来训练网络，实验结果表明，该方法在多个标准数据集上的检测与计数任务中表现卓越。

    Apr, 2019

  • 视觉与无人机：一项挑战

    本篇论文介绍了一个名为 VisDrone2018 的大规模视觉对象检测和跟踪基准，目的在于推进基于无人机平台上的视觉理解任务，其包含了 14 个不同城市的各种城市 / 郊区地区的图像和视频序列，并提供了丰富的标注，如物体边界框的位置，物体类别，遮挡，截断比等，是迄今为止发表的最大的数据集之一，可广泛评估并研究在无人机平台上的视觉分析技术。

    Apr, 2018

  • 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