面向局部计数模型的离散约束回归

局部计数，即局部区域内的目标数量，本质上是一个连续值。然而，近期最先进的方法表明，将计数表述为分类任务比回归表现更好。通过在精心控制的合成数据上进行一系列实验，我们表明这一反直觉的结果是由不精确的局部计数真值引起的。诸如有偏的点标注以及用于生成真值计数的错误匹配高斯核等因素，会引入与真实局部计数的偏差。标准连续回归对这些误差高度敏感，这解释了分类与回归之间的性能差距。为缓解这种敏感性，我们将回归表述从连续尺度放宽为离散排序，并提出一种新颖的离散约束（DC）回归。应用于人群计数时，DC回归在三个公开基准上比分类和标准回归都更准确。在年龄估计任务上也具有类似优势，验证了DC回归的总体有效性。