基于点衍生分割的细粒度域自适应人群计数

由于域偏移，训练好的人群计数模型在真实场景中部署时通常会出现较大的性能下降。尽管现有的域自适应人群计数方法取得了有前景的结果，但它们通常将每张人群图像视为整体并以整体方式减小域差异，从而限制了域自适应性能的进一步提升。为此，我们提出从人群图像中解耦出\emph{域不变}的人群与\emph{域特定}的背景，并设计了一种用于人群计数的细粒度域自适应方法。具体而言，为将人群从背景中解耦，我们提出以弱监督方式从点级人群计数标注中学习人群分割。基于所得分割，我们设计了一种包含两个人群感知自适应模块(即人群区域迁移(CRT)和人群密度对齐(CDA))的人群感知域自适应机制。CRT 模块旨在引导人群特征跨域迁移以摆脱背景干扰。CDA 模块致力于通过其自身的人群密度分布来正则化目标域人群密度生成。我们的方法在广泛使用的自适应场景中持续优于以往方法。