Apr, 2023

聚集场景中通过头部聚焦处理高度遮挡问题的密集人群跟踪

PDF
TL;DR本研究中，我们提出了一种联合检测深度学习模型，用于解决在高密度人群中识别和跟踪行人的问题，实验数据表明，该模型在小型和中型行人检测方面取得了最先进的结果。
发现论文，激发创造
  • 密集群众中的行人头部追踪

    该研究提出一种基于头部检测和轨迹跟踪的算法来解决人群密度大的环境下的行人追踪问题，并提出了一种新的衡量算法效果的指标，并在 Crowd of Heads Dataset（CroHD）上进行了比较，表现优异。

    Mar, 2021

  • PedHunter：拥挤场景下抗遮挡行人检测器

    该论文提出了一种名为 PedHunter 的有效和高效检测网络，引入了强大的遮挡处理能力来检测拥挤场景中的行人，采用掩码引导模块增强骨干网络的特征表示学习，改进正样本的质量提高分类准则，采用模拟遮挡数据来提高遮挡鲁棒性，在三个行人检测数据集上取得了最先进的结果，并发布了一个包含超过 162k 高质量手动标记实例的新行人数据集 SUR-PED，以便于进一步研究监视场景中的遮挡行人检测。

    Sep, 2019

  • 人体姿态估计在现实世界拥挤场景中的应用

    本论文针对人群姿态估计的问题，提出了通过数据增强方法、显式识别遮挡的身体部位和使用合成数据集来优化姿态估计。论文的实验结果表明这些方法提高了模型的准确性，使其在人群场景下获得了与当前最先进方法相媲美的结果。

    Jul, 2019

  • Occlusion-aware R-CNN: 检测人群中的行人

    本文提出一种新的遮挡感知 R-CNN (OR-CNN) 检测算法来提高人群中行人检测的准确率，其中使用的新型聚合损失来将建议的探测框紧密地与相应的对象定位；使用新的部分遮挡感知 ROI 池化单元来整合人体结构的前期结构信息以及可见性预测到网络中来处理遮挡，此检测器在三个行人检测数据集上达到了最新的结果，并且在 Caltech 上与最新技术持平。

    Jul, 2018

  • 语义头部增强人群中的行人检测

    该论文提出了一种名为 HBAN 的方法，通过引入人头的先验信息，采用对称的人体部位检测方法以及对齐损失函数，有效地增强了行人检测的性能和稳健性。

    Nov, 2019

  • OccluTrack: 重新思考遮挡意识以增强多人行人跟踪

    在多个行人追踪中，我们提出了一个适应性的遮挡感知多行人追踪器，OccluTrack，通过显式的运动估计、可靠的外观特征提取和公平的关联，解决了部分遮挡引起的异常检测问题。我们的 OccluTrack 在 MOT-Challenge 数据集中表现出卓越的性能，尤其在追踪和关联性能上取得了显著的改进。

    Sep, 2023

  • 学习在虚拟世界中检测和跟踪可见和遮挡的身体关节

    该文章提出了一种新的深度网络架构，它可以跟踪城市场景中的多个人物并解决遮挡问题，同时使用计算机图形学的数据集进行训练，取得了良好的跟踪效果。

    Mar, 2018

  • 面向遮挡行人检测的掩模引导注意力网络

    本文介绍了一种基于注意力网络的被遮挡行人检测方法，具备在 CityPersons 和 Caltech 两个数据集上超过现有方法的鲁棒性能

    Oct, 2019

  • 基于人群密度图中的网络流量的目标多目标追踪算法

    本文提出了一种新的基于人群密度图的多目标追踪（MOT）算法 —— 计数式追踪。通过联合建模检测、计数和跟踪多个目标为网络流算法，该算法同时找到全局最优的多个目标检测和轨迹。该方法在人员、细胞和鱼群跟踪等各领域的公共基准测试中表现出了良好的结果。

    Jul, 2020

  • 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