GCNet：探究广义计数网络的自相似学习
计算机视觉与模式识别
2023-02-13 v1
摘要
类无关计数（CAC）问题因其广泛的社会应用与艰巨挑战近来受到越来越多的关注。为计数不同类别的物体，现有方法依赖用户提供的示例，这难以获取且限制了其通用性。本文旨在赋予框架在整幅图像中识别自适应示例的能力。我们提出了一种零样本广义计数网络（GCNet），其采用伪孪生结构从固有重复模式中自动且有效地学习伪示例线索。此外，提出一种弱监督方案以减轻所有当代 CAC 模型所需的繁重密度图标注负担，使 GCNet 能以端到端方式使用计数级监督信号训练。无需提供任何空间位置提示，GCNet 即可通过精心设计的自相似学习策略自适应捕获它们。在零样本 CAC 主流基准 FSC147 上的大量实验与消融研究证明了我们 GCNet 的优越性。其性能与现有依赖示例的方法相当，并在人群专用数据集（如 ShanghaiTech Part A、Part B 和 UCF_QNRF）上展现出惊人的跨数据集泛化能力。
引用
@article{arxiv.2302.05132,
title = {GCNet: Probing Self-Similarity Learning for Generalized Counting Network},
author = {Mingjie Wang and Yande Li and Jun Zhou and Graham W. Taylor and Minglun Gong},
journal= {arXiv preprint arXiv:2302.05132},
year = {2023}
}