用于人群计数的分布匹配方法
计算机视觉与模式识别
2020-10-27 v2
摘要
在人群计数中，每幅训练图像包含多个人，其中每个人由一个点标注。现有人群计数方法需要使用高斯核对每个标注点进行平滑，或估计给定标注点下每个像素的似然。在本文中，我们表明对标注施加高斯核会损害泛化性能。相反，我们提出使用分布匹配用于人群计数（DM-Count）。在DM-Count中，我们使用最优传输（OT）来衡量归一化预测密度图与归一化真实密度图之间的相似性。为稳定OT计算，我们在模型中加入了全变分损失。我们证明DM-Count的泛化误差界比高斯平滑方法更紧。在平均绝对误差方面，DM-Count在两个大规模计数数据集UCF-QNRF和NWPU上大幅优于先前的最先进方法，并在ShanghaiTech和UCF-CC50数据集上取得了最先进结果。DM-Count将已发表最先进结果的误差降低了约16%。代码见https://github.com/cvlab-stonybrook/DM-Count。
引用
@article{arxiv.2009.13077,
title = {Distribution Matching for Crowd Counting},
author = {Boyu Wang and Huidong Liu and Dimitris Samaras and Minh Hoai},
journal= {arXiv preprint arXiv:2009.13077},
year = {2020}
}
备注
NeurIPS 2020