具有标注误差修正的尺度感知人群计数网络
计算机视觉与模式识别
2023-12-29 v1
摘要
传统的人群计数网络在通过池化层对特征图进行下采样时会遭受信息损失，导致对远处人群的计数不准确。现有方法在训练期间通常假设标注是正确的，忽略了噪声标注的影响，尤其是在拥挤场景中。此外，使用固定的 Gaussian 核无法考虑随相机距离变化的像素分布。为了克服这些挑战，我们提出了一种尺度感知人群计数网络（SACC-Net），该网络引入了“尺度感知”架构，并具备对噪声标注的误差修正能力。我们首次通过空间变化的 Gaussian 分布，同时建模了标注误差（均值）和尺度变化（方差），以生成用于人群计数的细粒度热力图。此外，所提出的自适应 Gaussian 核方差使模型能够利用低秩近似进行动态学习，从而在保持相当准确率的同时提高了收敛效率。我们在四个公开数据集上对 SACC-Net 的性能进行了广泛评估：UCF-QNRF、UCF CC 50、NWPU 和 ShanghaiTech A-B。实验结果表明，SACC-Net 优于所有 SOTA 方法，验证了其在实现卓越人群计数精度方面的有效性。
关键词
引用
@article{arxiv.2312.16771,
title = {Scale-Aware Crowd Count Network with Annotation Error Correction},
author = {Yi-Kuan Hsieh and Jun-Wei Hsieh and Yu-Chee Tseng and Ming-Ching Chang and Li Xin},
journal= {arXiv preprint arXiv:2312.16771},
year = {2023}
}
备注
7 pages, 6 figues. arXiv admin note: text overlap with arXiv:2211.06835