Sep, 2024

低样本计数的检测与分割统一新架构

HTML
PDF
TL;DR本文解决了低样本目标计数技术中的准确度不足问题，提出了一种名为GeCo的新型计数器。这一新方法通过创新的密集对象查询形式和直接优化检测任务的新计数损失实现了更高的检测准确性和计数精度，使得GeCo在各类低样本计数设置中优于领先的几-shot检测计数器约25%。
发现论文，激发创造
  • 日常场景中的日常物品计数

    该研究提出一种新的用于在自然场景中进行物体类别计数的方法，利用人类视觉的子数能力进行参考，能够显著提高物体类别计数的准确性，并在视觉问题回答中应用了这种方法。

    Apr, 2016

  • 少样本物体计数和检测

    本文提出了一种新的两阶段训练策略和一种新的基于不确定性感知的少样本对象检测器：Counting-DETR，用于解决少样本目标计数和检测问题，并在两个新数据集上验证了其性能优于强基线模型。

    Jul, 2022

  • CounTR: 基于Transformer的通用视觉计数

    本研究提出了Counting Transformer(CounTR)用于实现对任意语义类别的目标进行计数，并采用两阶段的训练策略进行无监督预训练和有监督微调，通过综合评估获得了当前最先进的零样本和少样本计数结果，并使用大规模计数基准进行了彻底的消融研究。

    Aug, 2022

  • 基于提示的免训练物体计数

    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

  • 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

  • 语言-视觉模型下的零样本物体计数

    零样本目标计数 (ZSC) 是一种新的设置，只需类名作为测试时间的输入。我们提出了找到几个目标裁剪样本并将其用作计数示例的方法，该方法消除了对人工注释者的需求并实现了自动化操作。通过使用大型语言-视觉模型构建类原型，我们选择包含目标对象的补丁，同时使用排名模型评估每个补丁的计数误差并选择最合适的示例用于计数。在最近的类别无关计数数据集 FSC-147 上的实验结果验证了我们方法的有效性。

    Sep, 2023

  • 点、线段和计数：一种用于对象计数的普遍框架

    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

  • 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

  • DAVE - 低样本计数的检测和验证范式

    DAVE是一种基于检测和验证范式的低样本计数器，通过首先生成高召回的检测集，然后验证检测结果以识别和移除异常值，从而避免了总计数的过高估计，并且在检测质量方面超越了最新的基于检测计数器，也在零样本和文本提示计数方面创造了新的技术水平。

    Apr, 2024

  • 零样例物体计数

    基于视觉关联的零样本物体计数（VA-Count）框架包括示例增强模块（EEM）和噪声抑制模块（NSM），通过提炼类别实例和减少错误实例的负面影响来优化零样本物体计数的过程，在零样本上展现了出色的性能。

    Jul, 2024