回归器-分割器互提示学习用于人群计数
计算机视觉与模式识别
2024-01-04 v3
摘要
人群计数通过训练回归器预测实例位置取得了显著进展。然而，在高度拥挤的场景中，回归器受到不可控的注释方差的挑战，这导致密度图偏差和上下文信息不准确。在本研究中，我们提出了互提示学习（mPrompt），它利用回归器和分割器相互引导，解决了注释方差引起的偏差和不准确性，同时区分前景和背景。具体而言，mPrompt利用点注释以点提示学习的方式调整分割器并预测伪头部掩码。然后，它使用预测的分割掩码作为空间约束，以上下文提示学习的方式纠正有偏差的点注释。mPrompt定义了一种从提示学习中最大化互信息的方法，减轻了注释方差的影响，同时提高了模型准确性。实验表明，mPrompt显著降低了平均绝对误差（MAE），展示了其作为下游视觉任务通用框架的潜力。
引用
@article{arxiv.2312.01711,
title = {Regressor-Segmenter Mutual Prompt Learning for Crowd Counting},
author = {Mingyue Guo and Li Yuan and Zhaoyi Yan and Binghui Chen and Yaowei Wang and Qixiang Ye},
journal= {arXiv preprint arXiv:2312.01711},
year = {2024}
}
备注
mPrompt defines a way of mutual information maximization from prompt learning