SYRAC: 合成、排序和计数
该研究通过利用合成数据生成器和标注器构建了一个大规模,多样化的合成数据集,采用两个方案 (预训练和领域自适应) 来提高人群计数的性能。实验显示,该方法在真实数据集上实现了最先进的性能。
Mar, 2019
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
通过半监督学习和高斯过程估算建立虚拟基准,实现充分利用未标注样本数据,学习缩减标注数据的技术,在人群计数领域的多个数据集上表现出了优异的性能,且可实现从虚拟数据集到真实数据集(综合 - 真实转移)的迁移。
Jul, 2020
提出了一种新颖的群体计数方法,利用了学习排名框架中丰富可用的未标记人群图像。该方法采用裁剪图像的排名方式,通过考虑拥挤场景图像的任何子图像都可以保证包含相同或更少数量的人而解决了现有数据集规模有限的问题。本文还从 Google 收集了两个人群场景数据集,并演示了如何在多任务网络中合并学习排名和人群密度估计。在两个最具挑战性的群体计数数据集上的实验证明了该方法获得了最先进的结果。
Mar, 2018
通过使用合成数据和多样化生成策略,本研究探讨了合成数据对于少样本计数问题中的作用,并显示其显著改进了两种最近的高性能少样本计数模型在 FSC147 和 CARPK 数据集上的计数准确性。
Oct, 2023
本研究提出一种新颖的方法解决在给定密集人群图像中计数、密度图估计和人物定位的问题,成果在新数据集上的表现大幅领先于现有的深度 CNN 网络。
Aug, 2018
本文提出了一种基于领域适应的人群计数 (DACC) 框架,通过高质量的图像翻译和密度图重建来解决使用合成数据进行无监督学习难以抑制领域差异并输出详细密度地图的问题,实验结果表明该方法在六个真实世界数据集上优于现有的最新方法。
Dec, 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
本文通过对 220 多篇文献的综合和系统研究,主要研究基于 CNN 的密度图估计方法,根据评估指标,在人群计数数据集上选择前三名表现者,并分析其优缺点,希望对未来人群计数发展做出合理推断和预测,同时也为其他领域的目标计数问题提供可行的解决方案。
Mar, 2020