基于密度的计数中免费聚焦

本工作考虑从图像及其对应点标注进行监督学习计数。基于密度的计数方法通常仅使用点标注来创建高斯密度图，作为监督信号，而本工作的出发点是点标注除密度图生成外还具有计数潜力。我们引入两种方法来重新利用可用的点标注以提升计数性能。第一种是一种特定于计数的增强方法，利用点标注在输入和密度图像中模拟被遮挡物体，以增强网络对遮挡的鲁棒性。第二种方法，前景蒸馏，从点标注生成前景掩码，并据此在背景被涂黑的图像上训练辅助网络。通过这样做，它学会提取前景计数知识而不受背景干扰。这些方法可无缝集成现有计数进展，并适用于不同损失函数。我们展示了这些方法的互补效应，使我们即使在背景杂乱、遮挡和人群密度变化等挑战性场景中也能获得鲁棒计数结果。我们提出的方法在多个数据集上取得了强劲计数结果，包括ShanghaiTech Part_A和Part_B、UCF_QNRF、JHU-Crowd++和NWPU-Crowd。