基于辅助点引导的点估计人群计数和定位的改进
本文提出了一种基于点的框架用于联合人群计数和个体定位,通过密度归一化平均精度(nAP)来提供更全面和精确的性能评估,并使用决策匈牙利算法将最优的学习目标分配给所述一组点候选项,从而明确实现这一新颖想法的关键步骤。
Jul, 2021
本文提出了一种多任务方法来统一框架中进行人群计数和人员定位,通过学习编码人群图像的多尺度表示并将它们融合,我们的模型比相对较流行的基于密度的方法使用点监督来精确地识别人群位置,并在两个流行的分别是 ShanghaiTech A 和 B 的人群计数数据集上测试了我们的模型,展示了我们的方法在人群计数和定位任务上的强效果,分别在 ShanghaiTech A 和 B 上具有 110.7 和 15.0 的 MSE 量和 0.71 和 0.75 的 AP 量,我们的详细消融实验显示了多尺度方法的影响以及我们网络中嵌入的融合模块的有效性。
Feb, 2022
本文旨在探讨利用计数级别注释,学习从少量定位级别注释中有效地训练模型的弱监督众包计数问题。 通过多个辅助任务的训练策略,构建规则来限制生成的密度图的自由度,这与直接回归密度图的积分到对象计数不足。实验证明,该技术优于现有的解决方案。
Feb, 2020
本研究提出两种新方法用于在拥挤和开放环境下进行人群计数,利用多个视图收集的信息,结合使用多个相机。多个相机用于扩大视野并缓解单个相机计数方法常常受到的遮挡的问题。两种方法都能够统计场景中人员的数量而不仅仅是单帧图像或视频帧。在基准 PETS2009 视频数据集上获得的实验结果表明,所提出的间接方法 surpasses 其他方法,提供了拥挤场景的准确计数结果;然而,由于后者需要解决更复杂的问题(如头部分割),因此直接方法表现出较高的误差率。
Apr, 2017
我们介绍了一种新的计数模型,称为 Point quEry Transformer(PET),它通过数据相关的四叉树分割实现可分解的点查询,使得稀疏和稠密区域的动态处理成为可能。我们展示了 PET 在众多与人群相关的任务上的应用,并报道了最先进的性能。首次证明了一个单一的计数模型可以处理不同学习范式下的多个与人群相关的任务。
Aug, 2023
本研究提出了一种新的基于检测的深度学习网络来实现对人头大小及数量的计数,在使用伪基础真值进行训练时实施了一种在线更新方案和局部约束回归损失,并采用课程学习策略来训练网络,实验结果表明,该方法在多个标准数据集上的检测与计数任务中表现卓越。
Apr, 2019
提出了一种称为 Visible Feature Guidance (VFG) 的机制,通过可见性特征对人行检测任务中的 Bounding Box 进行可视回归,使用 Hungarian algorithm 关联人体部位,能够提高人行检测的性能。
Aug, 2020
该研究提出了一种新的半监督计数方法,使用可学习的密度机构来将已识别的前景区域特征与其对应的密度子类(代理)接近,并将背景特征推开。通过密度导向的对比损失巩固骨干特征提取器,再使用变换器结构构建回归头进一步优化前景特征。提供了高效的噪声压制损失以最小化注释噪声的负面影响。在四个具有挑战性的人群计数数据集上的广泛实验表明,我们的方法比最先进的半监督计数方法具有更优越的性能。
Sep, 2022
通过半监督学习和高斯过程估算建立虚拟基准,实现充分利用未标注样本数据,学习缩减标注数据的技术,在人群计数领域的多个数据集上表现出了优异的性能,且可实现从虚拟数据集到真实数据集(综合 - 真实转移)的迁移。
Jul, 2020