本文研究了基于单一源域的元学习框架,通过引入动态子域分割方案及设计域不变和域特定群体记忆模块实现了人群计数中跨内容场景的领域泛化,通过多个标准数据集的实验验证了该方法的强大通用性。
Dec, 2022
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
本文提出了一种基于域自适应的人群计数方法,通过多层特征感知适应和结构化密度映射对齐,可以有效地将模型从合成数据适应到特定的实际场景,并在四个主流监视人群数据集上显示出比同类交叉领域计数问题的最新方法更好的效果。
我们提出了一种单域泛化多任务学习方法,通过引入新颖的数据增强方法和多任务学习策略,改进了 3D 物体检测的泛化性能,并提出了首个用于 3D 物体检测领域泛化的测试时适应方法。
Nov, 2023
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
本文提出了一种简单有效的方法,通过密度估计模型提取小块密度图,并根据完整数据集确定的几个密度级别进行分组,再通过在线中心学习策略来自动规范化每个小块密度图,从而将密度分布显着凝聚成几个簇,并使密度差异可以被单个模型学习,从而在 MAE 上优于现有方法。
Jul, 2019
通过分析频率在域差异中的影响,Frequency-mixed Single-source Domain Generalization method (FreeSDG) 利用混合频谱增强单源域,同时在域增强中构建自我监督来学习上下文感知的鲁棒表示,从而提高分割模型的泛化能力。实验证明了该方法的有效性,并显著改进了分割模型的泛化能力,对于提升医学图像分割模型的泛化能力,尤其是在数据标注稀缺时,FreeSDG 提供了一个有前途的解决方案。
Jul, 2023
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
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