通过使用单一内存库进行特征重构、多样性密度图回归和辅助任务分类,提出了一种名为 MPCount 的单一领域泛化方法,有效地解决了图像中的人群计数问题中的域偏移问题,并在不同数据集上实验证明其在狭窄源分布的训练数据中的非常准确的标签上优于现有方法的计数准确性。
Mar, 2024
该研究提出了一个基于对抗学习的评分网络(ASNet),实现了深度神经网络在人群计数中的领先表现,通过对源域和目标域的全局和局部特征空间的对抗学习,结合粗到细的特征层次得分方法进行特征选择和知识迁移,有效地缓解了由于领域差异而导致的泛化瓶颈。
Jul, 2021
本文提出了一种基于领域适应的人群计数 (DACC) 框架,通过高质量的图像翻译和密度图重建来解决使用合成数据进行无监督学习难以抑制领域差异并输出详细密度地图的问题,实验结果表明该方法在六个真实世界数据集上优于现有的最新方法。
Dec, 2019
本文提出了一种领域适应方法,采用语义一致性、语义提取和对抗训练技术解决了合成数据适应性差的问题,在三个数据集上实验结果表明该方案在跨领域计数问题中达到了最先进水平。
Feb, 2020
本研究探讨的是一种新的人群计数任务 —— 永生人群计数,以缓解新数据到达时所带来的遗忘现象和提高模型的泛化能力,特别地,我们提出了一个自蒸馏学习框架作为衡量标准,并开发了一个新的定量度量标准,用于评估模型在终身学习过程中的遗忘程度。大量的实验结果表明,我们提出的框架在实现低度灾难性遗忘和强大的泛化性能方面具有优越性。
May, 2022
本文提出了一种基于域自适应的人群计数方法,通过多层特征感知适应和结构化密度映射对齐,可以有效地将模型从合成数据适应到特定的实际场景,并在四个主流监视人群数据集上显示出比同类交叉领域计数问题的最新方法更好的效果。
本论文提出了基于领域自适应的方法,将无监督训练样本中的领域信息作为辅助信息,采用学习的鉴别性领域嵌入构建领域自适应模型,用于即使在未见过领域上的预测任务。该方法在各种领域泛化基准上均实现了最先进的性能,并引入了首个现实世界的大规模领域泛化基准 Geo-YFCC,相对于现有的方法,该基于领域自适应的方法在该数据集上实现了显着的优化。
Mar, 2021
该论文提出一种学会学习的方法,通过学习辅助损失本身来提高模型的泛化能力,进而应用于领域推广的问题,包括传统领域推广和异构域推广。实验结果表明,该方法在两种情况下优于现有的解决方案。
Jan, 2019
本研究提出了一种基于多领域共同学习的新型网络 ——DKPNet,利用 VA 技术来显式地建模不同领域之间的注意分布,以及 InVA 技术来解决领域和子领域重叠的问题,并在 ShanghaiTech、UCF-QNRF 和 NWPU 等多个数据集上验证了其优越性。
Aug, 2021
研究域常规化问题及其解决方法,通过使用基于梯度的元训练和元测试过程,引入了两种补充损失来明确地规范特征空间的语义结构,从而取得了两个常见对象识别基准测试的最新效果。
Oct, 2019