渐进查询聚合的广义尺度目标计数
计算机视觉与模式识别
2025-11-12 v1
摘要
基于少量检测样本的计数器通常仅通过少量测试时间样本来估计图像中实例的数量。一种常见的方法是合并不同分辨率的骨干特征。此外，为了在密集区域检测小目标，通常会对输入图像进行上采样并进行切块，以应对计算和内存需求的增加。由于这些临时性解决方案，现有的计数器在包含多样化尺寸目标和小目标密集区域的图像上表现不佳。我们提出GECO2，一个端到端的少样本计数和检测方法，显式地解决目标尺度问题。一种新的稠密查询表示通过尺度逐渐聚合样本特定特征信息，导致高分辨率稠密查询，从而能够检测大型和小型目标。GECO2在计数和检测准确性上超过了当前最先进的少样本计数器10%，同时以更小的GPU内存占用运行速度快3倍。
引用
@article{arxiv.2511.08048,
title = {Generalized-Scale Object Counting with Gradual Query Aggregation},
author = {Jer Pelhan and Alan Lukezic and Matej Kristan},
journal= {arXiv preprint arXiv:2511.08048},
year = {2025}
}
备注
Accepted to AAAI2026, code: https://github.com/jerpelhan/GECO2/