基于高质量图像翻译与密度图重建的域自适应人群计数
计算机视觉与模式识别
2021-10-29 v3
摘要
近年来，利用监督学习的人群计数取得了显著进展。然而，大多数计数模型依赖于大量人工标注数据。随着合成人群数据的发布，一种潜在的替代方案是在无任何人工标注的情况下将其知识迁移到真实数据。然而，目前尚无方法能在迁移过程中有效抑制域差距并输出精细的密度图。为弥补上述问题，本文提出一种域自适应人群计数（Domain-Adaptive Crowd Counting, DACC）框架，由高质量图像翻译与密度图重建组成。具体而言，前者专注于将合成数据翻译为逼真图像，通过分离域共享/独立特征并设计内容感知一致性损失来提升翻译质量；后者旨在为真实场景生成伪标签以提高预测质量。接下来，我们利用这些伪标签重新训练最终的计数器。在六个真实世界数据集上的自适应实验表明，所提方法优于当前最先进（state-of-the-art）方法。
引用
@article{arxiv.1912.03677,
title = {Domain-adaptive Crowd Counting via High-quality Image Translation and Density Reconstruction},
author = {Junyu Gao and Tao Han and Qi Wang and Yuan Yuan},
journal= {arXiv preprint arXiv:1912.03677},
year = {2021}
}
备注
Accepted by IEEE T-NNLS