面向人群计数的判别性特征学习
计算机视觉与模式识别
2024-06-19 v2
摘要
高度拥挤区域的人群计数模型面临两个主要挑战：定位能力弱以及难以区分前景与背景，导致估计不准确。原因在于高度拥挤区域中的目标通常较小，且卷积神经网络提取的高层特征对表示小目标的判别性较弱。为解决这些问题，我们提出了一种面向人群计数的判别性特征学习框架，由掩码特征预测模块（MPM）和监督式像素级对比学习模块（CLM）组成。MPM 随机掩码特征图中的特征向量并对其进行重建，使模型学习被掩码区域中存在的目标，提升其在高密度区域定位目标的能力。CLM 在特征空间中将目标彼此拉近，并将其推离背景，使模型能区分前景目标与背景。此外，所提模块可有益于各种计算机视觉任务，如人群计数与目标检测，其中密集场景或杂乱环境给准确定位带来挑战。所提两个模块为即插即用式，将之融入现有模型有望提升其在这些场景中的性能。
引用
@article{arxiv.2311.04509,
title = {Learning Discriminative Features for Crowd Counting},
author = {Yuehai Chen and Qingzhong Wang and Jing Yang and Badong Chen and Haoyi Xiong and Shaoyi Du},
journal= {arXiv preprint arXiv:2311.04509},
year = {2024}
}