基于卷积神经网络的高密度目标计数与定位
计算机视觉与模式识别
2022-05-31 v1
摘要
本文提出一种卷积神经网络（CNN）方法，用于高密度图像中目标的计数与定位。据我们所知，这是首个基于特征图增强与置信图多阶段细化（Multi-Stage Refinement）的目标计数与定位方法。所提方法在两个计数数据集（树木与车辆）上进行了评估。对于树木数据集，我们的方法的平均绝对误差（MAE）为 2.05，均方根误差（RMSE）为 2.87，决定系数（R）为 0.986。对于车辆数据集（CARPK 与 PUCPR+），我们的方法优于当前最优（state-of-the-art）方法。在这些数据集中，我们的方法分别取得了 MAE 为 4.45 和 3.16、RMSE 为 6.18 和 4.39、R 为 0.975 和 0.999 的结果。该方法适用于处理高目标密度场景，在目标计数与定位上取得了当前最优性能。
引用
@article{arxiv.2102.04366,
title = {Counting and Locating High-Density Objects Using Convolutional Neural Network},
author = {Mauro dos Santos de Arruda and Lucas Prado Osco and Plabiany Rodrigo Acosta and Diogo Nunes Gonçalves and José Marcato Junior and Ana Paula Marques Ramos and Edson Takashi Matsubara and Zhipeng Luo and Jonathan Li and Jonathan de Andrade Silva and Wesley Nunes Gonçalves},
journal= {arXiv preprint arXiv:2102.04366},
year = {2022}
}
备注
15 pages, 10 figures, 8 tables