Jan, 2024

FGENet: 拥挤人群数量的细粒度提取网络

PDF
TL;DR提出了一种称为 Fine-Grained Extraction Network（FGENet）的端到端模型，直接学习表示个体精确定位的原始坐标，通过引入 Fine-Grained Feature Pyramid（FGFP）来融合特征图并使用多任务组合损失函数（TTC）来减轻标注噪声的影响，实验证明 FGENet 在人群计数中取得了显著的改进。
crowd countingindividual localizationannotation noisefine-grained extraction networkmean absolute error
发现论文，激发创造
  • 带有注意力机制的双通道多尺度融合网络用于人群计数

    本文提出了一种名为 SFANet 的新型双路径多尺度融合网络架构，其中包括一种注意力机制，可以在高度拥挤的人群场景中执行精确的计数估计以及提供高分辨率密度地图。该网络包括 VGG 骨干卷积神经网络和双路径多尺度融合网络，可生成高质量的高分辨率密度地图，并在多个数据集上表现出最佳性能。

    Feb, 2019

  • 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

  • DENet: 一种适用于不同密度和尺度人群计数的通用网络

    本文提出一种名为 DENet 的网络，包含一个检测网络和一个编码 - 解码估算网络，用于对密度变化较大的对象进行计数，MAE 表现优于其他先进方法。

    Apr, 2019

  • 稠密点预测：一种适用于人群计数和定位的简单基线

    本文提出了一个名为 SCALNet 的简单而有效的人群计数和定位网络，它将计数和定位任务视为像素密集预测问题，并将它们整合到一个端到端的框架中，在 NWPU-Crowd 基准测试中获得了超过 5％和 10％的改进。

    Apr, 2021

  • 众包监督下的细粒度计数

    研究了利用众包注释进行细粒度计数的潜力，提出了一种新的数据集以及一种生成聚合真实数量和计数的方法，并利用聚合信息提高了计数精度，这表明众包监督有助于算法学习细粒度的计数。

    May, 2022

  • 基于混合图神经网络的人群计数

    本文提出了一种新的网络结构 —— 混合图神经网络（HyGnn），通过交织多尺度特征以及辅助任务（定位）来执行图推理，从而缓解了人群密度估计中的挑战问题，实现了比现有方法更为准确的效果。

    Jan, 2020

  • 无烦恼网络：一种简化和高效的用于人群计数的神经网络

    使用简单、高效的神经网络结构，该论文介绍了一种名为 Fuss-Free Network (FFNet) 的人群计数深度学习模型，通过多尺度特征融合结构实现了与复杂模型相媲美的准确性。

    Apr, 2024

  • DecideNet: 基于注意力指导的检测和密度估计技术的人群变化密度计数

    该研究提出了一种名为 DecideNet 的新型端到端人群计数框架，它可以根据实际密度情况自适应地决定适当的计数模式，利用检测和回归基础的密度地图分别进行人群密度估计，并采用关注模块指导适当的估计方法，实现了在三个具有挑战性的人群计数数据集上的最先进表现。

    Dec, 2017

  • CrowdNet：一种用于密集人群计数的深度卷积网络

    提出了一种新颖的深度学习框架，用于从高密度人群的静态图像中估计人群密度，使用深度和浅层完全卷积网络的组合来预测给定人群图像的密度地图，通过多尺度数据增强来引导 CNN 学习尺度不变表示，并且在 UCF_CC_50 数据集上表现出比现有技术更好的性能。

    Aug, 2016

  • 透过透视引导的分数膨胀卷积实现的人群计数

    本文提出了一种名为 PFDNet 的卷积神经网络方法，通过使用分数膨胀卷积核来适应不同标注的透视变换，在处理视频监控场景下的人群计数时，显著提高了目前最先进的方法的灵活性和计算效率。

    Jul, 2021