本文提出了一种基于图像级别监督学习实现常见物体计数的方法,该方法可以同时提供全局物体计数和物体实例的空间分布,并通过构建对象类别密度映射来实现。作者的方法在PASCAL VOC和COCO数据集上进行了全面实验,表现出了优异的性能。
Mar, 2019
该研究提出了一种元学习方法,以优化共享增量任务信息的模型梯度并通过元学习梯度预处理来减少遗忘和最大化知识转移,从而提高目标检测中的增量学习性能。
Mar, 2020
该论文在构建一个统一的概念和实验框架中,研究了解决神经网络过度拟合的方法,描述了增量学习算法的六个重要属性,探讨了过去样本选择的效用,并提供了可重现性的开源存储库。
Nov, 2020
本文介绍了一种新的增量知识蒸馏策略来解决Data-Free Class-Incremental Learning(DFCIL)的问题,该策略通过修改交叉熵训练和重要性加权特征蒸馏,提高了DFCIL的准确率,并在公共课程增量基准测试中表现出优异的性能。
Jun, 2021
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
本文提出了一种用于类别无关计数的视觉计数器,利用区域建议网络及密度估计对重复出现的对象进行计数,实现对新颖目标类别的自动化计数。实验表明,该方法在FSC-147 数据集上表现优异。
该研究旨在通过引入增强方法和前景蒸馏,以提高基于图像的计数任务的性能。作者在多个数据集上展示了该方法的有效性。
Jun, 2023
我们提出了一个新颖的互动式无类别对象计数框架,其中人类用户可以交互地提供反馈以提高计数器的准确性。我们的框架包括两个主要组成部分:一个用户友好的可视化工具来收集反馈,以及一个高效的机制来整合它。
Sep, 2023
利用文本到图像的潜在扩散模型 (LDMs),本研究介绍了一种无监督的排序方法,通过借助生成的计数数据,对任意类型的对象进行可靠计数,该方法优于其他无监督和少样本方法,不受特定对象类别计数数据的限制。
Mar, 2024
该研究论文介绍了一种基于提示的计数框架,能够生成关注对象的密度图,并采用固定点推理和对比训练来提高计数准确性。