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
本文提出了一种基于特征学习和密度图的半监督人群计数方法,将未标注的图像用于训练通用的特征提取器并将其用于密度图回归,同时利用自训练方案来学习相关的二元分割任务,表明该方法优于现有的半监督人群计数方法和基线方法。
Jul, 2020
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。
May, 2022
本文提出了一种基于分割思想的无需训练数据的物体计数方法,该方法避免了传统依赖昂贵标注数据的物体计数问题,所提出的先验引导掩码产生方法为计数精度提供了帮助,同时还可以应用于任意形状物体的计数.
Jun, 2023
提出了两种新的小样本监督型框架 (LC 和 RLC),旨在解决自然场景下对象计数的挑战性计算机视觉问题,这些框架基于一种新型的双分支体系结构,采用只有较小目标计数监督和密度图预测,与其他高监督方法相比,性能不差。
Dec, 2019
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
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
零样本目标计数 (ZSC) 是一种新的设置,只需类名作为测试时间的输入。我们提出了找到几个目标裁剪样本并将其用作计数示例的方法,该方法消除了对人工注释者的需求并实现了自动化操作。通过使用大型语言 - 视觉模型构建类原型,我们选择包含目标对象的补丁,同时使用排名模型评估每个补丁的计数误差并选择最合适的示例用于计数。在最近的类别无关计数数据集 FSC-147 上的实验结果验证了我们方法的有效性。
本文提出了一种全新的基于卷积网络的无监督技术,用于密集物体(如植物器官)的计数,该技术采用后处理优化步骤,可在不需要数据集调整或修改的情况下,对高精度计数执行器官任务的有效性得到了验证。
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