IJCAIJul, 2021

人群计数的直接度量匹配

PDF
TL;DR本文提出了一种基于度量匹配的计数方法，用于回归预测的密度地图到分散的点标注真实值，此方法采用半平衡型 Sinkhorn 散度来设计计数损失并提供自我监督机制，通过有效的优化方法在四个具有挑战性的人群计数数据集上得到了经验证明的结果。
crowd countingpseudo density ground truthmeasure-based countingsinkhorn divergenceself-supervised mechanism
发现论文，激发创造
  • 基于辅助点引导的点估计人群计数和定位的改进

    使用辅助点导引和点匹配的策略来改善人群计数和定位方法的不稳定性，通过自适应特征提取在不同的人群场景中增强模型的鲁棒性和准确性。

    May, 2024

  • VMambaCC：一种用于人群计数的可视化状态空间模型

    Visual Mamba（VMamba）是一种深度学习模型，具有较低的计算复杂性和全局感受野，成功应用于图像分类和检测。为了扩展其应用领域，我们将 VMamba 应用于人群计数，并提出了一种新颖的 VMambaCC（VMamba 人群计数）模型。

    May, 2024

  • 基于密度引导的时间注意力变换器用于水下视频中无法分辨物体的计数

    提出了一个大规模数据集 YoutubeFish-35，在该数据集上评估了三种主流的密集物体计数方法，并提出了一种新的强基线方法 TransVidCount，该方法在 YoutubeFish-35 数据集上具有最先进的性能，可有效处理不可辨别的物体计数问题。

    Mar, 2024

  • 自适应分辨率的强鲁棒无监督众筹计数和定位

    利用自适应分辨率 SEEM 模型和高斯混合模型，结合鲁棒损失函数和迭代生成伪标签方法，提出了一种简单而有效的无监督众数计数方法，可在无标记数据的情况下实现最佳性能，适用于无标记数据的众数计数任务。

    Feb, 2024

  • 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

  • 众筹计数的课程 -- 值得吗？

    本研究通过 112 个实验证明，课程学习（Curriculum Learning）在使用密度估计方法进行人群计数时，可提高模型学习性能和收敛时间。

    Jan, 2024

  • 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

  • 一种用于资源受限人群计数的轻量级特征融合架构

    轻量级模型在人群计数中具有可靠的计算效率和性能，并通过比较研究展现其有效性。

    Jan, 2024

  • Gramformer: 通过图模态变换器学习人群计数

    提出了一种名为 Gramformer 的图模块化 Transformer 方法，解决了传统 Transformer 在人群计数中存在的同质化关注问题，并通过引入注意图和中心性编码的方案，增强了网络的性能和竞争力。

    Jan, 2024

  • FGENet: 拥挤人群数量的细粒度提取网络

    提出了一种称为 Fine-Grained Extraction Network（FGENet）的端到端模型，直接学习表示个体精确定位的原始坐标，通过引入 Fine-Grained Feature Pyramid（FGFP）来融合特征图并使用多任务组合损失函数（TTC）来减轻标注噪声的影响，实验证明 FGENet 在人群计数中取得了显著的改进。

    Jan, 2024