本文介绍了一种名为 Sparse Annotation(SA)的新的众包计数注释方法,我们提出了一种基于点的渐进点匹配网络(PPM),通过 Sparse Annotation 更好地探索群众;实验结果表明,在注释数量相同的情况下,PPM 优于以前的半监督计数方法,并与最先进的全监督方法具有竞争性的性能。
Apr, 2023
我们提出了一个适应性注释分布方法用于弱监督点云语义分割,通过概率密度函数分析和标签感知的点云降采样策略,我们设计了一个梯度校准函数来减少非均匀分布的稀疏标注引起的梯度偏差并明确减少认知不确定性,在 S3DIS、ScanNetV2 和 SemanticKITTI 上实现了全面的性能提升。
Dec, 2023
本文提出了一种基于点的框架用于联合人群计数和个体定位,通过密度归一化平均精度(nAP)来提供更全面和精确的性能评估,并使用决策匈牙利算法将最优的学习目标分配给所述一组点候选项,从而明确实现这一新颖想法的关键步骤。
Jul, 2021
该研究旨在通过引入增强方法和前景蒸馏,以提高基于图像的计数任务的性能。作者在多个数据集上展示了该方法的有效性。
Jun, 2023
本文介绍了一种基于点的细胞检测和分类框架,该框架采用了直接回归和分类方法,并采用金字塔式特征聚合策略同步处理底层特征和高层语义。实验结果表明,该方法在在免疫组织化学图像的分析中有着较高的准确性和效率,并具有较高的协助病理学家评估的潜力。
Jul, 2022
该研究提出了基于贝叶斯损失的密度图建立方法,通过点注释所构建的密度贡献概率模型来进行较可靠的监督学习,该方法在不使用外部侦测器或多尺度结构下,在最新的和最大的 UCF-QNRF 数据集上取得了最佳表现。
Aug, 2019
本文旨在探讨利用计数级别注释,学习从少量定位级别注释中有效地训练模型的弱监督众包计数问题。 通过多个辅助任务的训练策略,构建规则来限制生成的密度图的自由度,这与直接回归密度图的积分到对象计数不足。实验证明,该技术优于现有的解决方案。
Feb, 2020
本文开发一种 Synthetic Fusion Pyramid Network(SPF-Net)和设计具有尺度感知损失函数,以实现准确的人群计数。我们以 Gaussian 模型噪声标注点,从输入图像中导出人群概率密度图。然后,我们使用多尺度完全协方差近似联合分布,以实现可构建性和高效实现的低秩近似。所提出的 SPF-Net 可以准确地预测人群中人员的位置,尽管是在嘈杂的训练注释下训练的。
Nov, 2022
该研究提出了一种基于 Distribution Matching 和 Optimal Transport 的 DM-Count 人群计数方法,通过引入 Total Variation loss 来稳定计算,相较于现有高斯平滑方法,在 UCF-QNRF 和 NWPU 数据集上误差减少了近 16%,且在 ShanghaiTech 和 UCF-CC50 数据集上取得了最优结果。
Sep, 2020
本文提出一种基于点的距离度量学习(PDML)方法,通过鼓励标注点之间的特征保持一致来引导训练过程,使用限定的标注点代替密集标注 mask 进行语义场景解析,最终在 PASCAL-Context 和 ADE 20K 数据集上实验验证结果表明 PDML 方法有效性较高。
Nov, 2018