训练无关的类别不可知计数的简单而有效的基线
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
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
本文提出了一种用于类别无关计数的视觉计数器,利用区域建议网络及密度估计对重复出现的对象进行计数,实现对新颖目标类别的自动化计数。实验表明,该方法在 FSC-147 数据集上表现优异。
May, 2022
本研究探索了 Meta AI 发布的 Segment Anything 模型(SAM)在几个具有挑战性的任务中的应用,并发现对于小型和拥挤的对象而言,其在少样本目标计数方面表现不足,需要进一步微调。
Apr, 2023
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。
Nov, 2023
在现有的无类别计数 (CAC) 框架中,我们指出了一个严重的问题:在多类别环境下,模型不考虑参考图像,而是盲目匹配查询图像中的所有主要对象。此外,现有的评估指标和数据集不能真实地评估模型的泛化性能和鲁棒性。为了解决这个问题,我们发现将马赛克增强与广义损失相结合对于解决无类别计数模型中计算多数对象(即主要对象)的问题至关重要。此外,我们引入了一种新的评估协议和指标,以解决现有无类别计数评估方案中存在的问题,并以更公平的方式对无类别计数模型进行基准测试。此外,广泛的评估结果表明,我们提出的方法可以持续改善不同无类别计数模型的性能。我们将在论文被接受后发布代码。
Apr, 2024
本文提出了一种能够在不同对象类别上通用计数的模型,将计数问题转化为匹配问题,利用图像自相似性和丰富的标注视频数据进行训练,并使用适配器模块实现对模型的快速定制,获得了在细胞,汽车和人群计数数据集上具有竞争力和领先水平的表现。
Nov, 2018
本研究提出了一个相似性感知的类不可知计数 (CAC) 框架,它同时学习了特征表示和相似度度量,并通过一个叫做 BMNet 的基线和一个叫做 BMNet + 的扩展模型对其进行了实例化,以 FSC147 数据集为实验基础,证明了该模型显著优于现有 CAC 方法。
Mar, 2022
本文提出一种使用预训练的 Vision Transformer(ViT)的解决方案,实现了 Class-Agnostic Counting(CAC),并将其称为 CACViT。实验结果表明,CACViT 在 FSC147 和 CARPK 数据集上均具有很强的鲁棒性和高效性,相较于其他现有的类别无关计数方法减少了 23.60% 的误差。
May, 2023
利用文本到图像的潜在扩散模型 (LDMs),本研究介绍了一种无监督的排序方法,通过借助生成的计数数据,对任意类型的对象进行可靠计数,该方法优于其他无监督和少样本方法,不受特定对象类别计数数据的限制。
Mar, 2024