学习计数任意对象：基于弱监督的无参考类无关计数
计算机视觉与模式识别
2022-09-07 v2
摘要
当前的类无关计数方法可以泛化到未见过的类，但通常需要在训练期间使用参考图像来定义待计数对象的类型以及实例标注。无参考类无关计数是一个新出现的领域，它将计数核心识别为一项重复识别任务。此类方法便于在变化的集合构成上进行计数。我们展示了一个具有全局上下文的通用特征空间可以在没有关于所呈现对象类型的先验的情况下枚举图像中的实例。具体而言，我们证明无需点级监督或参考图像、从视觉 transformer 特征进行回归优于其他无参考方法，并且与使用参考图像的方法具有竞争力。我们在当前标准的少样本计数数据集 FSC-147 上展示了这一点。我们还提出了一个改进的数据集 FSC-133，它去除了 FSC-147 中的错误、歧义和重复图像，并展示了在其上相似的性能。据我们所知，我们是首个弱监督无参考类无关计数方法。
引用
@article{arxiv.2205.10203,
title = {Learning to Count Anything: Reference-less Class-agnostic Counting with Weak Supervision},
author = {Michael Hobley and Victor Prisacariu},
journal= {arXiv preprint arXiv:2205.10203},
year = {2022}
}