Aug, 2023

STEERER: 通过选择性继承学习解决计数和定位的尺度变化

HTML
PDF
TL;DR本文提出了一种名为STEERER（ extbf{S}elec extbf{T}iv extbf{E} inh extbf{ER}itance l extbf{E}a extbf{R}ning）的新方法，通过选择最合适的尺度来提高特征提取能力，并逐渐从低分辨率到高分辨率继承辨别特征，解决了对象计数中的尺度变化问题，并展示了STEERER在九个数据集上计数和定位任务中的前所未有的尺度泛化能力。
发现论文，激发创造
  • 野外无监督物体发现和定位：基于部件匹配和自底向上区域建议的方法

    本文提出了一种基于部分匹配区域的方法，使用概率霍夫变换在多个对象类别的嘈杂图像集合中无监督地发现和定位支配对象，并在标准测试基准上证明了该方法在物体共现方面显著优于现有技术，可在具有挑战性的混合类数据集中实现鲁棒的对象发现。

    Jan, 2015

  • 重新思考卷积网络对物体计数的空间不变性

    本文提出使用高斯卷积核来代替原来的卷积滤波器，以估计密度地图中的空间位置，以达到激励密度地图生成过程并克服注释噪声的目的。我们的研究为后续研究指明了新的方向，应该研究如何适当放松过分严格的基于像素级空间不变性的对象计数。我们在MCNN，CSRNet，SANet和ResNet-50等4个主流对象计数网络上进行了评估，对3个应用程序（即人群，车辆和植物计数）的7个流行基准进行了广泛的实验，并且实验结果表明我们的方法明显优于其他最先进的方法，实现了有关对象空间位置的有希望的学习。

    Jun, 2022

  • CounTR: 基于Transformer的通用视觉计数

    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

  • 密度图蒸馏用于增量对象计数

    论文提出了一种新的基于密度图蒸馏（Density Map Distillation，DMD）的函数正则化方法，旨在解决计算机视觉中的增量学习问题，通过引入新的计数器头和跨任务适配器来避免忘记以前任务，实验结果表明，该方法大大减少了灾难性遗忘的情况，并且优于现有方法。

    Apr, 2023

  • SQLNet：用于少样本类别无关计数的尺度调制查询和定位网络

    通过局部化基础的类别无关计数方法，本研究提出了一种新的基于尺度调节的查询和定位网络（SQLNet），可以准确定位并预测每个目标的大致尺寸，以实现有效的计数；SQLNet在流行的类别无关计数基准任务上表现优异，不仅在计数准确度上优于最先进的方法，还在定位和边界框生成方面表现出色。

    Nov, 2023

  • 点、线段和计数：一种用于对象计数的普遍框架

    基于检测的PseCo框架将SAM和CLIP结合起来，实现了对少样本和零样本的准确目标计数，通过点定位、分割和计数等步骤解决了效率和小物体区分等难题。

    Nov, 2023

  • AFreeCA：无需标注的全能计数

    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

  • 一种统一的基于提示的计数的定点方法

    该研究论文介绍了一种基于提示的计数框架，能够生成关注对象的密度图，并采用固定点推理和对比训练来提高计数准确性。

    Mar, 2024

  • TFCounter：用于训练免费的目标计数的宝石抛光

    TFCounter是一种基于无需训练的类别不可知目标计数器，通过在大规模基础模型中的基本元素的级联构成一个即时上下文感知的计数框架，它采用双提示系统来识别多种形状、外观和大小不同的物体，并引入了一种创新的上下文感知相似度模块以提高在杂乱场景中的准确性，并通过实验证明了其在跨领域普适性方面的优越性。

    Mar, 2024

  • 基于点监督的物体计数与定位的密集中心方向回归

    本研究针对基于点监督的学习中由于标注与未标注像素的不平衡所导致的物体计数与定位问题，提出了一种新颖的CeDiRNet方法。该方法通过密集回归指向最近物体中心的方向，提高了每个中心点的支持，从而在六个不同数据集上展现出优于现有方法的性能，具有显著的应用潜力。

    Aug, 2024