学习计数一切物体
计算机视觉与模式识别
2021-04-20 v1
摘要
现有的视觉计数工作主要一次关注一个特定类别，如人、动物和细胞。在本文中，我们感兴趣于计数一切，即给定某一类别仅少量标注实例，对该类别的所有物体进行计数。为此，我们将计数视为少样本回归任务。为应对该任务，我们提出了一种新方法，该方法以查询图像及来自该查询图像的少量示例物体为输入，预测查询图像中所有感兴趣物体存在的密度图。我们还提出了一种新颖的适配策略，在测试时仅使用来自新类别的少量示例物体，将我们的网络适配到任意新视觉类别。我们还引入了一个包含 147 个物体类别、超过 6000 张图像的数据集，适用于少样本计数任务。图像带有两种标注类型，点标注和边界框标注，可用于开发少样本计数模型。在该数据集上的实验表明，我们的方法优于多种最先进的目标检测器和少样本计数方法。我们的代码与数据集可在 https://github.com/cvlab-stonybrook/LearningToCountEverything 获取。
引用
@article{arxiv.2104.08391,
title = {Learning To Count Everything},
author = {Viresh Ranjan and Udbhav Sharma and Thu Nguyen and Minh Hoai},
journal= {arXiv preprint arXiv:2104.08391},
year = {2021}
}
备注
CVPR 2021