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
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
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。
该研究针对视觉物体计数问题,提出了一种基于少样本回归任务的方法,同时也介绍了一种新的适应策略和数据集以供模型训练和评估,并证明该方法在性能上优于现有的物体识别和计数方法。
Apr, 2021
本文提出了一种能够在不同对象类别上通用计数的模型,将计数问题转化为匹配问题,利用图像自相似性和丰富的标注视频数据进行训练,并使用适配器模块实现对模型的快速定制,获得了在细胞,汽车和人群计数数据集上具有竞争力和领先水平的表现。
Nov, 2018
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。
Sep, 2023
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
本文提出了零样本目标计数(ZSC)这样一种新的设置,该计数系统不需要在循环中进行人工注释,并且可以自动运行。该方法首先构造一个类原型来选择可能包含感兴趣对象即类相关块的补丁,并引入一种可以定量衡量任意补丁作为计数示例的适宜程度的模型,通过将该模型应用于所有候选补丁,可以选择最合适的补丁作为计数示例,实验结果验证了方法的有效性。
Mar, 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
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