CVPRMar, 2022

多方位注意力提升人群计数

PDF
TL;DR该论文提出了一种名为 Multifaceted Attention Network 的深度学习模型，通过引入局部关注、全局关注和实例关注机制来对人群计数中存在的局部空间变化进行编码。实验结果表明该模型在四种不同数据集下表现出色。
crowd countingmultifaceted attention networklocal spatial relation encodinglearnable region attentioninstance attention
发现论文，激发创造
  • 用于人群计数的多尺度注意力网络

    提出了一种使用多分支尺度感知注意力网络、卷积神经网络、软注意力机制、尺度感知损失函数等方法，在 4 个不同的人群计数数据集上实现了最先进的效果，平均减少 25% 的误差。

    Jan, 2019

  • 使用 Transformer 提升人群计数

    本文研究了全局上下文对于人群计数的作用，使用 transformer 和 token-attention module 提取了包含全局信息的特征，并在多个数据集上实验，最终达到了最佳效果。

    May, 2021

  • 单幅图像超分辨率的多尺度注意力网络

    本文提出了一个卷积神经网络（CNN）的多尺度关注网络（MAN），其中包括多尺度大型核关注（MLKA）和门控空间关注单元（GSAU），以提高卷积 SR 网络的性能。实验结果表明，我们的 MAN 可以在不同的状态下实现各种平衡。

    Sep, 2022

  • 带有注意力机制的双通道多尺度融合网络用于人群计数

    本文提出了一种名为 SFANet 的新型双路径多尺度融合网络架构，其中包括一种注意力机制，可以在高度拥挤的人群场景中执行精确的计数估计以及提供高分辨率密度地图。该网络包括 VGG 骨干卷积神经网络和双路径多尺度融合网络，可生成高质量的高分辨率密度地图，并在多个数据集上表现出最佳性能。

    Feb, 2019

  • 基于尺度感知注意力网络的人群计数

    本文提出了一种新的 scale-aware attention 网络模型，利用注意力机制结合全局和局部尺度来解决人群计数中的尺度变化问题，并在多个基准数据集上优于其他最先进的人群计数方法。

    Mar, 2019

  • 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

  • 使用 Transformer 简化和改进众数计数的 CCTrans

    本文提出了一种基于 CNN 与 transformer 结合的、名为 CCTrans 的简单方法，使用金字塔视觉 transformer 骨干模型捕捉全局人群信息、金字塔特征聚合模型组合低级和高级特征以及多尺度膨胀卷积预测密度图，我们的方法在多个人群计数基准测试中实现了新的最先进结果，在弱监督和全监督下均有良好表现，并且我们目前在 NWPU-Crowd 排名第一。

    Sep, 2021

  • 分散注意力：多头交叉注意力网络用于面部表情识别

    我们提出了一种新的面部表情识别网络，称为分心网络（DAN）。我们的方法基于两个关键观察结果。首先，多个类别共享内在相似的面部外貌，它们的差异可能很细微。其次，面部表情通过多个面部区域同时展示出来，并且需要通过编码局部特征之间的高阶交互的全面方法来识别。为了解决这些问题，我们提出了我们的 DAN，并通过三个关键部分构建了它。经过广泛实验验证，在包括 AffectNet、RAF-DB 和 SFEW 2.0 在内的三个公共数据集上，该方法始终实现了最先进的面部表情识别性能。

    Sep, 2021

  • 关注头部位置的人群计数

    本文提出了一种新颖的使用注意力模型的方法，通过利用头部位置作为人群计数的最重要线索，结合多尺度特征提取和相对偏差损失函数来实现复杂背景、尺度变化和非均匀分布等实际应用中的挑战，提高了稀疏人群密度估计的准确性。在 Shanghai-Tech、UCF_CC_50 和 World-Expo＇10 数据集上的实验表明了该方法的有效性。

    Jun, 2018

  • 基于浅层特征的密集注意力网络用于人群计数

    采用浅层特征的注意力模型及密集连接的层级图像特征，提出一种用于仍图像人群计数的 SDANet，并在多个基准数据集上表现出优异的性能。

    Jun, 2020