Oct, 2023

上下文模型的半监督人群计数：促进全面理解人群场景

PDF
TL;DR该研究提出了一种新的半监督方法，基于平均教师框架，以减轻训练可靠的人群计数模型所需的大量标注负担，从而增加数据量，提高模型的实用性和准确性。经验证明，在标签数据稀缺的情况下，仅通过未标记的数据来提高局部区域预测的准确性是不充分的，因此需要采用更细粒度的方法培养模型的内在 “突显” 能力，以 accurately estimate the count in regions by leveraging its understanding of the crowd scenes，并结合局部细节预测高密度区域，该方法在人群计数领域取得了最先进的表现。
crowd counting modelsemi-supervised methodsubitizing capabilitydensity classificationstate-of-the-art performance
发现论文，激发创造
  • 具有空间不确定性感知的半监督人群计数

    本文提出一种基于空间不确定性的半监督学习方法，通过二元分割的正则化替代任务，结合教师 - 学生框架，同时针对高自信度区域信息进行研究，解决了标注数据不足的人群计数问题，实验证明该方法优于现有半监督方法。

    Jul, 2021

  • 基于代理任务自训练的半监督人群计数

    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

  • 上下文感知人群计数

    本文提出了一种端到端的可训练深度结构，该结构利用多个接收场大小获得的特征，并学习每个图像位置上每个特征的重要性，从而适应性地编码了准确预测人群密度所需的上下文信息的尺度，特别是在透视效果强烈时表现优于现有的人群计数方法。

    Nov, 2018

  • 从少量标记数据中学习人群中的计数

    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

  • 有限监督下的主动人群计数

    本文提出了一种基于主动学习的框架，可以在有限的监督下进行准确的人群计数，通过引入分布分类器对未标记的数据进行标记，以及将数据的分布标签和潜在表示混合在网络中，从而提高训练样本之间的分布对齐，实验结果表明，我们的方法可以在有限的图片数量下达到与完全标注数据集所用的前沿水平相当的性能。

    Jul, 2020

  • 密度代理半监督群众计数

    该研究提出了一种新的半监督计数方法，使用可学习的密度机构来将已识别的前景区域特征与其对应的密度子类（代理）接近，并将背景特征推开。通过密度导向的对比损失巩固骨干特征提取器，再使用变换器结构构建回归头进一步优化前景特征。提供了高效的噪声压制损失以最小化注释噪声的负面影响。在四个具有挑战性的人群计数数据集上的广泛实验表明，我们的方法比最先进的半监督计数方法具有更优越的性能。

    Sep, 2022

  • AdaCrowd：无标签场景适应用于人群计数

    提出了一种无标签场景自适应人群计数方法 AdaCrowd，通过使用目标场景的一张或多张无标签图像进行自适应，以更好地适应不同场景的实际应用。

    Oct, 2020

  • 实时无人机监督下的人群计数统一多任务学习框架

    本研究提出了一种新的联合多任务学习框架，用于实时监控人群计数的无人机监控。该框架利用图像融合网络结构来融合可见光和热红外图像，并使用人群计数网络结构来估计密度图。结果表明，与现有方法相比，该方法在客观评估和训练过程中具有可比较的结果。

    Feb, 2022

  • 半监督式人群计数的不确定性校准

    半监督式人群计数中，通过使用伪标签和不确定性选择可靠的伪标签来训练模型的一种新方法，该方法通过匹配的基于补丁的代理函数更好地近似了人群计数任务的不确定性，从而生成了可靠的不确定性估计、高质量的伪标签，并达到了最新技术水平。

    Aug, 2023

  • 高密度场景下全卷积人群计数

    本文介绍了一种利用计算机视觉技术进行高密度场景下人群计数的方法，使用了全卷积人群计数模型来提高计数准确性和稳健性，并设计了数据增强和多尺度平均等技巧来提高模型的适应性和广泛适用性

    Dec, 2016