Nov, 2023

点、线段和计数：一种用于对象计数的普遍框架

PDF
TL;DR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。
class-agnostic object countingfew-shotzero-shotdetectionpseco
发现论文，激发创造
  • 语言 - 视觉模型下的零样本物体计数

    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

  • CLIP-Count: 基于文本引导的零样本物体计数

    本研究提出了一种新的技术 CLIP-Count，利用预处理好的图像与文本对齐知识，在零样本的情况下，估计开放词汇对象的密度图，用于类无关物体计数， 并在 FSC-147、CARPK 和 ShanghaiTech 人群计数数据集上进行了广泛的实验，结果表明我们的方法实现了零样本物体计数的最高精度和泛化性能。

    May, 2023

  • 零样本物体计数

    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

  • 基于伪标记语义分割的多类目标计数学习

    本文提出了一种基于范例的分割模型，用于对多类图像进行对象计数，解决了当前多类对象计数模型的主要问题，并介绍了两个新的测试基准，在这些基准上，我们的方法显示出了显着的优势。

    Jul, 2023

  • 基于提示的免训练物体计数

    本文提出了一种基于分割思想的无需训练数据的物体计数方法，该方法避免了传统依赖昂贵标注数据的物体计数问题，所提出的先验引导掩码产生方法为计数精度提供了帮助，同时还可以应用于任意形状物体的计数.

    Jun, 2023

  • 训练无关的类别不可知计数的简单而有效的基线

    不需要训练的前提下，本研究提出了一种直接的解决方案，通过利用预先存在的基础模型进行实例级分割，通过四项关键技术的结合，实现了性能的显著提升，与基于训练的方法相媲美。

    Mar, 2024

  • 基于图像级监督的目标计数与实例分割

    本文提出了一种基于图像级别监督学习实现常见物体计数的方法，该方法可以同时提供全局物体计数和物体实例的空间分布，并通过构建对象类别密度映射来实现。作者的方法在 PASCAL VOC 和 COCO 数据集上进行了全面实验，表现出了优异的性能。

    Mar, 2019

  • 少样本物体计数和检测

    本文提出了一种新的两阶段训练策略和一种新的基于不确定性感知的少样本对象检测器：Counting-DETR，用于解决少样本目标计数和检测问题，并在两个新数据集上验证了其性能优于强基线模型。

    Jul, 2022

  • 自然场景中通用物体计数的部分监督方法

    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

  • 交互式无类别物体计数

    我们提出了一个新颖的互动式无类别对象计数框架，其中人类用户可以交互地提供反馈以提高计数器的准确性。我们的框架包括两个主要组成部分：一个用户友好的可视化工具来收集反馈，以及一个高效的机制来整合它。

    Sep, 2023