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
使用潜在扩散模型生成合成数据,通过排名图像对进行预训练,并使用人群数量特征对噪声合成图像拟合线性层,从而实现无监督人群计数的最新结果。
Oct, 2023
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
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
介绍了一种用于人群计数的 CNN 网络,并使用采集自多个不同场景的大规模数据集评估了这种方法。该网络使用残差学习以及基于不确定性的置信加权机制进行创新,从而获得了显著的计数准确度改善。
Apr, 2020
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
本文提出了一种新的人群计数网络,通过残差误差估计逐步生成人群密度图,并引入基于不确定性的置信度加权机制作为残差学习的指导,仅允许高置信度残差在细化路径中流动。在最近的复杂数据集上进行评估并获得了显着的错误改进。此外,我们还推出了一个新的大规模无约束人群计数数据集(JHU-CROWD),其图像数量比最近的人群计数数据集多约 2.8 倍,包含来自多种不同场景和环境条件的图像和完整标注。
Oct, 2019
该研究提出了一种基于 Distribution Matching 和 Optimal Transport 的 DM-Count 人群计数方法,通过引入 Total Variation loss 来稳定计算,相较于现有高斯平滑方法,在 UCF-QNRF 和 NWPU 数据集上误差减少了近 16%,且在 ShanghaiTech 和 UCF-CC50 数据集上取得了最优结果。
Sep, 2020
本文综述了基于深度学习的卷积神经网络方法在人群计数和密度图估计方面的最新研究和挑战,并评估了手工特征表示方法与深度学习方法在可靠性和效率方面的优缺点。
Jul, 2017
本文提出了基于卷积神经网络的密度估计方法,用于解决图像人群计数的难题。通过两个分支 CNN 架构预测高分辨率密度图,以及提出了多阶段扩展方法,并在三个数据集上实验验证表明,该方法可以达到最低的平均绝对误差。
Jul, 2018