从开集到闭集：面向目标计数的监督式空间分治方法
计算机视觉与模式识别
2020-06-02 v2
摘要
视觉计数旨在从图像/视频中估计目标数量，本质上是一个开集问题，即总体数量在理论上可变化于 [0, inf)。然而，现实中收集的数据和标注实例有限，这意味着仅观察到一个小的闭集。现有方法通常以回归方式建模该任务，但它们容易在计数超出闭集范围的未见场景上失效。事实上，计数具有一个有趣且独有的特性——空间可分解性。密集区域总能被划分，直到子区域计数处于先前观察到的闭集之内。因此我们引入空间分治（S-DC）的思想，将开集计数转化为闭集问题。该思想由一种新颖的监督式空间分治网络（SS-DCNet）实现。因此，SS-DCNet 只能从闭集学习，但可通过 S-DC 很好地泛化到开集场景。SS-DCNet 也很高效。为避免重复计算子区域卷积特征，S-DC 在特征图上而非输入图像上执行。我们提供了理论分析以及在玩具数据上的对照实验，论证闭集建模为何合理。大量实验表明 SS-DCNet 达到了最先进的性能。代码和模型见：https://tinyurl.com/SS-DCNet。
引用
@article{arxiv.2001.01886,
title = {From Open Set to Closed Set: Supervised Spatial Divide-and-Conquer for Object Counting},
author = {Haipeng Xiong and Hao Lu and Chengxin Liu and Liang Liu and Chunhua Shen and Zhiguo Cao},
journal= {arXiv preprint arXiv:2001.01886},
year = {2020}
}
备注
Extended version of arXiv:1908.06473