一种简单而有效的无训练类别无关计数基线方法
计算机视觉与模式识别
2025-01-07 v2
摘要
类别无关计数旨在仅凭少量参考示例准确统计给定图像中的物体数量。以往实现此目标的方法依赖于额外训练，而近期的研究表明，可以利用预先存在的基础模型（特别是分割一切模型 SAM）通过实例级分割进行无训练计数。尽管前景可观，但当前的无训练方法在性能上仍落后于基于训练的方法。在本研究中，我们提出了一种直接的无训练解决方案，有效弥合了这一性能差距，可作为强基线。我们工作的主要贡献在于发现了四项可提升性能的关键技术。具体而言，我们建议使用超像素算法生成更精确的初始点提示，利用语义知识更丰富的图像编码器替代 SAM 编码器来表示候选物体，并采用多尺度机制和转导原型方案来更新参考示例的表示。通过结合这四项技术，我们的方法相较于现有无训练方法取得了显著改进，并达到了与基于训练方法相当的性能。
引用
@article{arxiv.2403.01418,
title = {A Simple-but-effective Baseline for Training-free Class-Agnostic Counting},
author = {Yuhao Lin and Haiming Xu and Lingqiao Liu and Javen Qinfeng Shi},
journal= {arXiv preprint arXiv:2403.01418},
year = {2025}
}
备注
WACV accepted