采用 Pix2Pix 生成对抗网络来去噪众包图像,以提高视觉众包计数模型在恶劣天气条件下的性能表现和准确度。
Oct, 2023
本文提出了一种适应性场景发现框架用于人群计数,该系统包括两个平行通道和一个自适应重校准分支,能够代表高度变化的人群图像并在两个具有挑战性的基准测试中实现了最先进的结果。
Dec, 2018
本篇综述了近年来在人群计数领域中最重要的贡献,通过模型架构、学习方法和评估方法等多方面比较,对人群计数进行了全面系统的综述调查,为初学者们提供了解人群计数研究发展的良好资源。
Sep, 2022
本研究提出两种新方法用于在拥挤和开放环境下进行人群计数,利用多个视图收集的信息,结合使用多个相机。多个相机用于扩大视野并缓解单个相机计数方法常常受到的遮挡的问题。两种方法都能够统计场景中人员的数量而不仅仅是单帧图像或视频帧。在基准 PETS2009 视频数据集上获得的实验结果表明,所提出的间接方法 surpasses 其他方法,提供了拥挤场景的准确计数结果;然而,由于后者需要解决更复杂的问题(如头部分割),因此直接方法表现出较高的误差率。
Apr, 2017
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
本论文提出了一种群众计数方法,该方法使用多个针对特定外观的 CNN 进行预测,这些 CNN 根据测试图像的外观被自适应地选择,从而具有对大尺度外观变化的鲁棒性,并且可以比 CNN 和固定权重的集成方法更准确地计算群体数量。
Mar, 2017
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
通过引入一种新的框架和流程,我们提出了一种改善恶劣天气下目标检测的方法,重点解决了传统方法在交通信号灯检测方面由于恶劣天气所引起的领域转移问题。我们详细分析了现有技术的局限性,我们的流程在雪天、雨天和雾天中显著提高了检测精度。结果显示与简单调整相比,平均 IoU 和 F1 分数提高了 40.8%,在域转移情况下(如在人工雪天训练,在雨天图片测试)性能提高了 22.4%。
Jun, 2024
该研究通过利用合成数据生成器和标注器构建了一个大规模,多样化的合成数据集,采用两个方案 (预训练和领域自适应) 来提高人群计数的性能。实验显示,该方法在真实数据集上实现了最先进的性能。
Mar, 2019
我们提出了一种从在恶劣天气条件下拍摄的图像中推断语义分割地图的方法,通过利用语言作为指导,在不同的气候效应对图像的影响下,模型在 WeatherProof 和 ACDC 数据集上表现出了更好的性能。
Mar, 2024