基于自监督迁移着色学习与全局先验分类的人群计数
计算机视觉与模式识别
2021-05-21 v1
摘要
带标注的人群场景图像成本高且稀缺。为显著减少对标注图像的需求，我们提出 ColorCount，一种新颖的基于 CNN 的方法，通过结合自监督迁移着色学习与全局先验分类来利用大量可用的无标注数据。自监督着色分支利用其颜色分量作为伪标签来学习图像的语义与表面纹理。分类分支通过学习图像簇间的相关性提取全局群体先验。它们融合得到的判别性特征（全局先验、语义与纹理）为计数提供了充分先验，从而显著减少对标注图像的需求。我们在四个具挑战性的基准上进行了充分实验。与其他无监督方法相比，ColorCount 取得了更优性能。其性能接近有监督基线，且仅使用了极少标注数据（原数据的10%）。
引用
@article{arxiv.2105.09684,
title = {Crowd Counting by Self-supervised Transfer Colorization Learning and Global Prior Classification},
author = {Haoyue Bai and Song Wen and S. -H. Gary Chan},
journal= {arXiv preprint arXiv:2105.09684},
year = {2021}
}