强化局部特征表示以用于弱监督密集人群计数
计算机视觉与模式识别
2022-02-23 v1
摘要
由于需要大量标注，全监督人群计数是一项费力的工作。很少有工作关注弱监督人群计数，即训练时仅提供全局人数。弱监督人群计数的主要挑战在于缺乏局部监督信息。为解决这个问题，我们提出一种自适应特征相似度学习（SFSL）网络以及一种全局-局部一致性（GLC）损失，以强化局部特征表示。我们引入一个代表行人的无偏特征估计的特征向量。该网络自适应地更新该特征向量，并利用特征相似度回归人数。此外，所提出的 GLC 损失利用了来自全局与局部区域的网络估计之间的一致性。实验结果表明，我们提出的基于不同骨干网络的方法缩小了弱监督与全监督密集人群计数之间的差距。
引用
@article{arxiv.2202.10681,
title = {Reinforcing Local Feature Representation for Weakly-Supervised Dense Crowd Counting},
author = {Xiaoshuang Chen and Hongtao Lu},
journal= {arXiv preprint arXiv:2202.10681},
year = {2022}
}