基于高斯混合有界知识与有界教师的人群定位
计算机视觉与模式识别
2023-03-29 v2
摘要
人群定位旨在预测拥挤场景中每个实例的头部位置。由于实例到相机的距离各异，图像内实例尺度间存在巨大差异，称为固有尺度偏移。固有尺度偏移成为人群定位中最本质问题之一的核心原因在于其在拥挤场景中无处不在，并使尺度分布混乱。为此，本文致力于解决由固有尺度偏移引发的尺度分布混乱。我们提出高斯混合有界域（GMS）来正则化混乱的尺度分布。具体地，GMS 利用高斯混合分布适应尺度分布，并将混合模型解耦为子正态分布以正则化子分布内部的混乱。随后，引入对齐以正则化子分布间的混乱。然而，尽管 GMS 在正则化数据分布上有效，其等同于剔除训练集中的困难样本，从而导致过拟合。我们断言这归咎于 GMS 所利用的潜在知识从数据向模型迁移的阻断。因此，提出在有界知识变换中扮演桥梁角色的有界教师（Scoped Teacher）。此外，还引入一致性正则化以实现知识变换。为此，对有界教师施加进一步约束，以推导教师端与学生端之间的特征一致性。将提出的 GMS 与有界教师在五个人群定位主流数据集上实施，大量实验证明了我们工作的优越性。此外，与现有人群定位器相比，我们的工作在五个数据集上通过 F1 度量综合达到了 SOTA。
引用
@article{arxiv.2206.05717,
title = {Crowd Localization from Gaussian Mixture Scoped Knowledge and Scoped Teacher},
author = {Juncheng Wang and Junyu Gao and Yuan Yuan and Qi Wang},
journal= {arXiv preprint arXiv:2206.05717},
year = {2023}
}
备注
Accepted by IEEE TIP