基于多队列对比学习的逆天气人群计数提升

目前，大多数人群计数方法在正常天气条件下表现突出。然而，我们的实验验证揭示了人群计数模型准确率提升的两个关键障碍：1)逆天气与正常天气图像之间的域间差异;2)训练集中的天气类别不平衡。为解决这些问题，我们提出一种名为Multi-queue Contrastive Learning(MQCL)的两阶段人群计数方法。具体而言，在第一阶段，我们的目标是为主干网络赋予天气感知能力。在此过程中，采用我们设计的多队列MoCo对比学习方法，以应对天气类别不平衡的表示学习。在第一阶段完成后，主干模型已足够成熟，能够提取与天气相关的表示。基于此，我们进入第二阶段，提出在对比学习的指导下细化表示，使天气感知表示能够转换到正常天气域。通过这种表示和转换，该模型在正常和逆天气条件下均实现了稳健的计数性能。大量实验结果表明，与基线方法相比，MQCL在逆天气条件下的计数误差降低了22%，而计算负担仅增加约13%，实现了最先进的性能。