L2HCount：通过密度模拟实现人群计数从低密度到高密度的泛化
计算机视觉与模式识别
2025-03-18 v1
摘要
自 COVID-19 以来，人群计数任务获得了广泛应用。虽然监督方法是可靠的，但由于头部尺寸小和严重遮挡，高密度场景下的标注更具挑战性，而低密度场景下的标注则相对简单。有趣的是，我们能否在低密度场景中训练模型并将其泛化到高密度场景？因此，我们提出了一个低密度到高密度泛化框架（L2HCount），该框架从低密度场景中学习与高密度场景相关的模式，使其能够很好地泛化到高密度场景。具体而言，我们首先引入高密度模拟模块和真值生成模块，分别通过图像平移技术构建伪造的高密度图像及其对应的人群计数真值标注，有效模拟高密度人群模式。然而，模拟图像存在两个问题：图像模糊和低密度图像特征丢失。因此，我们其次提出头部特征增强模块，以在模拟的高密度场景中提取清晰的特征。第三，我们提出双密度记忆编码模块，利用两个人群记忆分别从低密度和模拟高密度场景中学习特定场景的模式。在四个具有挑战性的数据集上的大量实验表明了 L2HCount 的良好性能。
引用
@article{arxiv.2503.12935,
title = {L2HCount:Generalizing Crowd Counting from Low to High Crowd Density via Density Simulation},
author = {Guoliang Xu and Jianqin Yin and Ren Zhang and Yonghao Dang and Feng Zhou and Bo Yu},
journal= {arXiv preprint arXiv:2503.12935},
year = {2025}
}