具有空间不确定性感知的半监督人群计数
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
半监督式人群计数中,通过使用伪标签和不确定性选择可靠的伪标签来训练模型的一种新方法,该方法通过匹配的基于补丁的代理函数更好地近似了人群计数任务的不确定性,从而生成了可靠的不确定性估计、高质量的伪标签,并达到了最新技术水平。
Aug, 2023
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
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
本文旨在探讨利用计数级别注释,学习从少量定位级别注释中有效地训练模型的弱监督众包计数问题。 通过多个辅助任务的训练策略,构建规则来限制生成的密度图的自由度,这与直接回归密度图的积分到对象计数不足。实验证明,该技术优于现有的解决方案。
Feb, 2020
本文提出了一种基于 bootstrap 集成的神经网络框架用于数量估算领域中的 IUNCERTAINTY QUANTIFICATION,展示出该方法的高效性和有效性,并在大量基准数据集中取得良好表现。
Mar, 2019
通过利用全局信息来估计分割不确定性的一种新方法,该方法首先学习了一个解剖感知的表示,然后将新分割的预测映射为一个解剖上可信的分割,借助于与可信分割的偏差,估计底层像素级不确定性以进一步指导分割网络,该方法仅使用一次推断从我们的表示中估计不确定性,从而减少了总计算量。该解剖感知方法在心脏磁共振成像的左心房和腹部 CT 扫描的多个器官这两个公开数据集上改善了分割准确性,以两个常用的评估指标衡量。
Oct, 2023
该研究提出了一种新的半监督计数方法,使用可学习的密度机构来将已识别的前景区域特征与其对应的密度子类(代理)接近,并将背景特征推开。通过密度导向的对比损失巩固骨干特征提取器,再使用变换器结构构建回归头进一步优化前景特征。提供了高效的噪声压制损失以最小化注释噪声的负面影响。在四个具有挑战性的人群计数数据集上的广泛实验表明,我们的方法比最先进的半监督计数方法具有更优越的性能。
Sep, 2022
本文提出了一种新的架构 SPatial Awareness Network (SPANet),并使用 Maximum Excess over Pixels (MEP) loss 来改进目标函数,通过一种多分支的弱监督学习方案来生成具有高差异性的像素级子区域。该框架能够被集成到现有的深度人群计数方法中,是可训练的端到端方法,并在四个具有挑战性的基准测试上进行了广泛的实验,表明我们的方法可以显着提高基线性能,并且在所有基准数据集上优于现有的最先进方法。
Sep, 2019