基于探测器的重要性采样的大规模图像集计数
本文介绍了一种基于计数格模型的图像特征计数方法,该模型能够更准确地捕捉图像中特征计数的空间变化,并在场景分类任务中得到实验验证。
Oct, 2014
在本文中,我们致力于研究如何从遥感图像中计数密集物体,针对这一难题,我们构建了一个大规模的遥感图像计数数据集,设计了一种新型的神经网络可以生成一个输入图像的密度图,并进行广泛的实验证明了我们方法的卓越性和有效性。
Aug, 2020
本研究提出了Counting Transformer(CounTR)用于实现对任意语义类别的目标进行计数,并采用两阶段的训练策略进行无监督预训练和有监督微调,通过综合评估获得了当前最先进的零样本和少样本计数结果,并使用大规模计数基准进行了彻底的消融研究。
Aug, 2022
在这项研究中,我们对importance sampling技术中的三种技术进行了探索和比较,包括loss reweighting、undersampling和oversampling,并发现对于具有不平衡类别的模型,加权损失和欠采样对性能影响微乎其微,而过采样通常能够改善性能。此外,我们的结果还表明Planet数据集中可能存在某些冗余性,为进一步研究提供了基础。
Feb, 2024
DAVE是一种基于检测和验证范式的低样本计数器,通过首先生成高召回的检测集,然后验证检测结果以识别和移除异常值,从而避免了总计数的过高估计,并且在检测质量方面超越了最新的基于检测计数器,也在零样本和文本提示计数方面创造了新的技术水平。
Apr, 2024
本研究探讨了显著目标检测中评估指标的尺度不变性,尤其是当同一图像中存在多个不同大小的目标时。通过观察,我们发现当前的评估指标对尺寸很敏感,更倾向于关注较大的目标而忽略较小的目标。我们认为评估应该是尺度不变的,因为没有附加语义信息时,基于尺寸的偏差是不合理的。为此,我们提出了一种通用的方法,对每个显著目标进行单独评估,然后将结果组合,有效地减轻了不平衡性。我们进一步开发了一个针对此目标量身定制的优化框架,在检测不同大小的目标方面取得了显着的改进。从理论上,我们提供了支持我们的新指标的证据,并对显著目标检测的泛化分析进行了介绍。大量实验证明了我们方法的有效性。代码可在此URL中获得。
May, 2024
本文解决了低样本目标计数技术中的准确度不足问题,提出了一种名为GeCo的新型计数器。这一新方法通过创新的密集对象查询形式和直接优化检测任务的新计数损失实现了更高的检测准确性和计数精度,使得GeCo在各类低样本计数设置中优于领先的几-shot检测计数器约25%。
Sep, 2024