一种用于人群定位的端到端 Transformer 模型
计算机视觉与模式识别
2022-08-09 v2
摘要
人群定位，即预测头部位置，是比单纯计数更实用且更高层次的任务。现有方法采用伪边界框或预先设计的定位图，依赖复杂的后处理来获取头部位置。本文中，我们提出了一种优雅的端到端人群定位 Transformer，名为 CLTR，以基于回归的范式解决该任务。所提方法将人群定位视为直接的集合预测问题，将提取的特征与可训练嵌入作为 transformer 解码器的输入。为减少模糊点并生成更合理的匹配结果，我们引入了基于 KMO 的匈牙利匹配器，其采用邻近上下文作为辅助匹配代价。在五种数据集、多种数据设置下开展的广泛实验表明了我们的方法的有效性。特别地，所提方法在 NWPU-Crowd、UCF-QNRF 与 ShanghaiTech Part A 数据集上取得了最佳的定位性能。
引用
@article{arxiv.2202.13065,
title = {An End-to-End Transformer Model for Crowd Localization},
author = {Dingkang Liang and Wei Xu and Xiang Bai},
journal= {arXiv preprint arXiv:2202.13065},
year = {2022}
}
备注
Accepted by ECCV 2022. The project page is at https://dk-liang.github.io/CLTR/