一种用于人群中点监督目标检测与计数的自训练方法
计算机视觉与模式识别
2021-02-19 v3
摘要
本文提出了一种新颖的自训练方法 Crowd-SDNet，使得仅用点级标注（即目标用点标记）训练的典型目标检测器能够同时估计拥挤目标的中心点和尺寸。具体而言，在训练过程中，我们利用可用的点标注直接监督目标中心点的估计。基于局部均匀分布假设，我们从点级监督信息中初始化伪目标尺寸，然后通过一个拥挤度感知损失来引导目标尺寸的回归。同时，我们提出了一种置信度和顺序感知的精化方案，以持续精化初始伪目标尺寸，从而逐步增强检测器同时检测和计数人群中目标的能力。此外，为解决极度拥挤的场景，我们提出了一种有效的解码方法来提高检测器的表示能力。在 WiderFace 基准上的实验结果表明，我们的方法在检测和计数任务上均显著优于最先进的点监督方法，即我们的方法将平均精度提高了 10% 以上，并将计数误差降低了 31.2%。此外，与最先进的基于检测的计数方法相比，我们的方法在人群计数与定位数据集（即 ShanghaiTech 和 NWPU-Crowd）以及车辆计数数据集（即 CARPK 和 PUCPR+）上均取得了最佳结果。代码将在 https://github.com/WangyiNTU/Point-supervised-crowd-detection 上公开。
引用
@article{arxiv.2007.12831,
title = {A Self-Training Approach for Point-Supervised Object Detection and Counting in Crowds},
author = {Yi Wang and Junhui Hou and Xinyu Hou and Lap-Pui Chau},
journal= {arXiv preprint arXiv:2007.12831},
year = {2021}
}
备注
12 pages. Accepted for Publication at IEEE Transactions on Image Processing