Jan, 2022

S²FPR：自监督粗到细特征金字塔排名实现的人群计数

PDF
TL;DR本研究利用自身结构信息及内部关联来减少代价昂贵的像素级注释，通过在潜在特征空间中的 S^2FPR 方法来提取结构信息和学习由粗到细的部分顺序以更好地计算大规模未标记图像的人数，该方法在 UCF-QNRF、ShanghaiTech PartA 和 PartB、UCF-CC-50 等四个基准数据集上的实验表明了与以往半监督方法的有效性。
crowd countingself-structural informationlatent feature spacess^2fprsemi-supervised methods
发现论文，激发创造
  • 基于代理任务自训练的半监督人群计数

    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

  • 基于联合似然密度图和合成融合金字塔网络的尺度感知人群计数

    本文开发一种 Synthetic Fusion Pyramid Network（SPF-Net）和设计具有尺度感知损失函数，以实现准确的人群计数。我们以 Gaussian 模型噪声标注点，从输入图像中导出人群概率密度图。然后，我们使用多尺度完全协方差近似联合分布，以实现可构建性和高效实现的低秩近似。所提出的 SPF-Net 可以准确地预测人群中人员的位置，尽管是在嘈杂的训练注释下训练的。

    Nov, 2022

  • 从少量标记数据中学习人群中的计数

    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

  • 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

  • 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

  • 基于分布匹配的完全自监督人群计数

    提出一种完全自我监督的方法来解决密集人群计数问题，该方法可以在没有任何标注图像的情况下进行训练，通过预训练密度回归器实现特征学习，并通过最优化 Sinkhorn 距离匹配预测分布和先验分布来实现计数。实验结果证明了该方法在少量数据下也具有优越性。

    Sep, 2020

  • SYRAC: 合成、排序和计数

    使用潜在扩散模型生成合成数据，通过排名图像对进行预训练，并使用人群数量特征对噪声合成图像拟合线性层，从而实现无监督人群计数的最新结果。

    Oct, 2023

  • 密集人群中的计数、密度图估计和定位的组合损失

    本研究提出一种新颖的方法解决在给定密集人群图像中计数、密度图估计和人物定位的问题，成果在新数据集上的表现大幅领先于现有的深度 CNN 网络。

    Aug, 2018

  • 具有空间不确定性感知的半监督人群计数

    本文提出一种基于空间不确定性的半监督学习方法，通过二元分割的正则化替代任务，结合教师 - 学生框架，同时针对高自信度区域信息进行研究，解决了标注数据不足的人群计数问题，实验证明该方法优于现有半监督方法。

    Jul, 2021

  • 深度循环空间感知网络在人群计数中的应用

    本文提出了一种利用神经网络及空间变换模型解决人流量不规则变化问题的方法，在 4 个数据集上实验得到了 12%-22.8% 的改进。

    Jul, 2018