Nov, 2023

学习用于人群计数的判别特征

PDF
TL;DR针对高度拥挤区域中的人群计数模型所面临的定位能力差和难以区分前景与背景的问题，我们提出了一种学习判别特征的框架，其中包括一个掩蔽特征预测模块（MPM）和一个监督的像素级对比学习模块（CLM），以改进模型的定位能力和区分前景与背景的能力。这些提出的模块对于密集场景或混乱环境中的精确定位等各种计算机视觉任务都有潜在的性能提升效果。
crowd countinghighly congested areasdiscriminative features frameworkmasked feature prediction modulesupervised pixel-level contrastive learning module
发现论文，激发创造
  • 具有局部计数图的自适应混合回归网络用于人群计数

    本文研究了人群计数的问题，并提出了新的方法，通过引入局部计数映射（LCM）等新的训练目标，以及采用混合回归框架的三个模块（SAM， MRM 和 ASIM）来进一步提高人群估计的精度。

    May, 2020

  • 多尺度卷积神经网络用于人群计数

    提出一种新型多尺度卷积神经网络（MSCNN）用于单张图像的人群计数，基于多尺度块，该网络能够生成与规模有关的特征以提高计数精度和鲁棒性，同时使用单列架构，更为精准和成本有效。实验证明，该方法的参数数量远低于现有的基于多列或多网络模型的方法，并且在计数精度和鲁棒性方面都优于现有的最先进方法。

    Feb, 2017

  • 基于密集属性特征图的加权 VLAD 人群计数

    本文提出了一种在学习局部感知特征集时融入语义信息的方法，使用卷积神经网络将原始像素空间映射为密集的属性特征图，并提出使用邻域补丁上空间金字塔的 LAF 来探索更多的空间上下文和局部信息，通过扩展传统的 VLAD 编码方法，将多样的系数权重考虑进去。实验证明了所提出的方法的有效性。

    Apr, 2016

  • CrowdMLP: 多粒度 MLP 弱监督人群计数

    本文提出了一种新的对全局依赖性进行建模的多粒度 MLP 回归器 CrowdMLP，通过引入粗特征地图、多粒度 MLP 模型和自我监督 Split-Counting 任务等手段来解决弱监督学习中缺乏空间信息的问题，实验证明其表现优于现有弱监督计数算法并与最新的基于地点级别监督的方法表现相当。

    Mar, 2022

  • 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

  • 提高人群计数的空间意识学习

    本文提出了一种新的架构 SPatial Awareness Network (SPANet)，并使用 Maximum Excess over Pixels (MEP) loss 来改进目标函数，通过一种多分支的弱监督学习方案来生成具有高差异性的像素级子区域。该框架能够被集成到现有的深度人群计数方法中，是可训练的端到端方法，并在四个具有挑战性的基准测试上进行了广泛的实验，表明我们的方法可以显着提高基线性能，并且在所有基准数据集上优于现有的最先进方法。

    Sep, 2019

  • 一种用于资源受限人群计数的轻量级特征融合架构

    轻量级模型在人群计数中具有可靠的计算效率和性能，并通过比较研究展现其有效性。

    Jan, 2024

  • 密集人群中的计数、密度图估计和定位的组合损失

    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

  • 改进基于多列卷积神经网络的人群计数学习

    本文提出了一种新颖的多列互学习策略（McML）以改善人群计数中规模表示的不变性，指出现有的多列网络存在显著冗余参数的问题，且采用异步参数更新过程的 McML 可以更有效地减少参数的冗余性并改善泛化能力，实验证明该方法在各项挑战性基准上显著提高了原有的多列网络，同时优于其他最先进的方法。

    Sep, 2019

  • 基于切换卷积神经网络的人群计数

    本文提出了一种新型的人群计数模型，使用带有密度的人群场景提高预测准确性和定位精度的切换卷积神经网络，并通过对所有主要人群计数数据集的广泛实验验证了其比现有最先进的方法具有更好的表现。

    Aug, 2017