本文提出了一种新的方法,在静态图像中高效地进行低到高密度场景下的人群计数,该方法通过模块化的形式对极端情况进行特别分析,有效地解决了现有方法不能满足高度多样化人群分类和背景混杂的问题,并经过了广泛的实验评估,证明在不同标准下优于现有技术。
Feb, 2020
本文提出了基于卷积神经网络的密度估计方法,用于解决图像人群计数的难题。通过两个分支 CNN 架构预测高分辨率密度图,以及提出了多阶段扩展方法,并在三个数据集上实验验证表明,该方法可以达到最低的平均绝对误差。
Jul, 2018
本文介绍了一种利用计算机视觉技术进行高密度场景下人群计数的方法,使用了全卷积人群计数模型来提高计数准确性和稳健性,并设计了数据增强和多尺度平均等技巧来提高模型的适应性和广泛适用性
Dec, 2016
使用逆 k 近邻 (i$k$NN) 图像标签方案并结合多尺度上采样的神经网络架构可有效提高人群计数的准确性。
Jan, 2019
本文提出了一种基于 Inception-V3 的新方法 ICC 来降低计算量,以提高自动图像人群计数模型的实时性,并在保障公共安全方面具有很高的实用价值。
Oct, 2022
介绍了一种用于人群计数的 CNN 网络,并使用采集自多个不同场景的大规模数据集评估了这种方法。该网络使用残差学习以及基于不确定性的置信加权机制进行创新,从而获得了显著的计数准确度改善。
Apr, 2020
本文综述了基于深度学习的卷积神经网络方法在人群计数和密度图估计方面的最新研究和挑战,并评估了手工特征表示方法与深度学习方法在可靠性和效率方面的优缺点。
Jul, 2017
本文提出了一种基于 CNN 的端到端级联网络方法,用于共同学习人群计数分类和密度图估计,实现高精度密度图的生成,并在公开数据集上取得了良好的效果。
本文提出了一种端到端的可训练深度结构,该结构利用多个接收场大小获得的特征,并学习每个图像位置上每个特征的重要性,从而适应性地编码了准确预测人群密度所需的上下文信息的尺度,特别是在透视效果强烈时表现优于现有的人群计数方法。
Nov, 2018
本文通过对 220 多篇文献的综合和系统研究,主要研究基于 CNN 的密度图估计方法,根据评估指标,在人群计数数据集上选择前三名表现者,并分析其优缺点,希望对未来人群计数发展做出合理推断和预测,同时也为其他领域的目标计数问题提供可行的解决方案。
Mar, 2020