2020 年代的人群计数：用于深度人群计数方法的分箱表示与包容性性能指标
计算机视觉与模式识别
2022-04-12 v1 多媒体
摘要
流行人群计数数据集中的数据分布通常具有重尾且不连续的特征。这种偏斜影响了深度人群计数方法流程中的所有阶段。具体而言，这些方法在统计度量（MSE、MAE）方面表现出不可接受的大标准差。为整体解决此类问题，我们做出了两项基础性贡献。首先，我们修改训练流程以容纳数据集偏斜的知识。为实现有原则且均衡的小批量采样，我们提出了一种新颖的平滑贝叶斯分箱方法。更具体地，我们提出了一种可轻松嵌入现有人群计数深度网络以鼓励分箱感知优化的新型代价函数。作为第二项贡献，我们引入了更具包容性并能阐明深度网络各种比较性能方面的额外性能指标。我们还表明，我们基于分箱的修改在新提出的性能指标方面保持了优越性。总体而言，我们的贡献实现了对人群计数方法性能的实用且注重细节的刻画。
引用
@article{arxiv.2204.04653,
title = {Counting in the 2020s: Binned Representations and Inclusive Performance Measures for Deep Crowd Counting Approaches},
author = {Sravya Vardhani Shivapuja and Ashwin Gopinath and Ayush Gupta and Ganesh Ramakrishnan and Ravi Kiran Sarvadevabhatla},
journal= {arXiv preprint arXiv:2204.04653},
year = {2022}
}
备注
Extended version of arXiv:2108.08784. In review