用于目标计数中点标注校正的偏移自编码器
计算机视觉与模式识别
2024-03-15 v2
摘要
目标计数通常使用二维点标注。物体形状的复杂性与标注者的主观性可能导致标注不一致，这可能会干扰计数模型的训练。为缓解这一问题，已有一些复杂的抗噪计数方法被提出。与此不同，我们旨在训练计数模型之前直接校正初始点标注。为此，我们提出了偏移自编码器，以增强标注的一致性。具体而言，SAE 对初始点标注应用随机偏移，并采用 UNet 将其恢复至原始位置。类似于 MAE 的重构过程，训练后的 SAE 能够捕获通用的位置知识并忽略特定的人工偏移噪声。这使得可以将初始点标注恢复至更通用、因而更一致的位置。大量实验表明，使用此类校正后的一致标注来训练一些先进的（包括抗噪）目标计数模型，能稳定且显著地提升其性能。值得注意的是，所提出的 SAE 助力在九个数据集上创下新纪录。我们将公开代码与校正后的点标注。
引用
@article{arxiv.2312.07190,
title = {Shifted Autoencoders for Point Annotation Restoration in Object Counting},
author = {Yuda Zou and Xin Xiao and Peilin Zhou and Zhichao Sun and Bo Du and Yongchao Xu},
journal= {arXiv preprint arXiv:2312.07190},
year = {2024}
}