基于分布匹配的完全自监督人群计数
计算机视觉与模式识别
2020-09-15 v1
摘要
密集人群计数是一项具有挑战性的任务，需要数百万个人头标注来训练模型。尽管现有的自监督方法可以学习到良好的表征，但它们需要一些标注数据将这些特征映射到密度估计的终端任务。我们通过提出的完全自监督范式缓解了这一问题，该范式甚至不需要一张标注图像。除大量无标注人群图像外，训练所需的唯一输入是给定数据集人群数量的近似上限。我们的方法基于自然人群服从幂律分布这一思想，可利用该分布为反向传播产生误差信号。首先通过自监督预训练一个密度回归器，然后通过优化两者之间的 Sinkhorn 距离将预测分布与先验分布进行匹配。实验表明，这实现了人群特征的有效学习并带来了显著的计数性能。此外，我们还证明了我们的方法在少数据设置下同样具有优越性。我们的方法代码与模型可在 https://github.com/val-iisc/css-ccnn 获取。
引用
@article{arxiv.2009.06420,
title = {Completely Self-Supervised Crowd Counting via Distribution Matching},
author = {Deepak Babu Sam and Abhinav Agarwalla and Jimmy Joseph and Vishwanath A. Sindagi and R. Venkatesh Babu and Vishal M. Patel},
journal= {arXiv preprint arXiv:2009.06420},
year = {2020}
}