Apr, 2024

CAC 的烹饪秘笈：基于马赛克的广义损失用于改进无类别计数

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 表示、比较和学习：基于相似度意识的类别不可知计数框架

    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

  • 类别无关计数

    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

  • ABC Easy as 123: 一个用于无样本多类别、类别无关计数的盲计数器

    使用第一个多类别、无类型先验的计数数据集（MCAC）和一个无类型先验的盲计数器（ABC123），该方法可以在训练或推断过程中同时计数多种类型的对象，不需要使用对象示例。ABC123 在 MCAC 上的性能优于现有方法，也适用于 FSC-147，这是一个标准的无类型计数数据集。

    Sep, 2023

  • 现成的视觉 Transformer 模型：针对少样本类别无关计数的出乎意料的基线

    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

  • 免样本通用计数

    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

  • 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

  • 无类别分割损失及其在显著物体检测和分割中的应用

    本文介绍了一种新的损失函数：无类别分割（CAS）损失，用于类别不确定的分割问题，文章在 Salient Object Detection 问题上进行了实验，CAS 损失函数有效，可以在不清楚类别的情况下使得分割的性能超过现有的技术，此外文章还测试了该方法的效果在不同的任务和数据集上，结果表明本方法对于不同的分割任务效果都很好。

    Jul, 2021

  • SQLNet：用于少样本类别无关计数的尺度调制查询和定位网络

    通过局部化基础的类别无关计数方法，本研究提出了一种新的基于尺度调节的查询和定位网络（SQLNet），可以准确定位并预测每个目标的大致尺寸，以实现有效的计数；SQLNet 在流行的类别无关计数基准任务上表现优异，不仅在计数准确度上优于最先进的方法，还在定位和边界框生成方面表现出色。

    Nov, 2023