空间不确定性感知的半监督人群计数
计算机视觉与模式识别
2021-08-03 v2 人工智能
摘要
由于全监督范式需要大量密集人群场景图像及其标注而昂贵费力，半监督人群计数方法受到关注。本文提出一种通过正则化代理任务(二值分割)实现的空间不确定性感知半监督人群计数方法。不同于现有基于半监督学习的人群计数方法，为利用无标注数据，我们提出的空间不确定性感知师生框架关注高置信区域信息，同时以端到端方式处理来自无标注数据的噪声监督。具体而言，我们从教师模型的代理任务估计空间不确定性图，同时引导主任务(密度回归)和学生模型的代理任务的特征学习。此外，我们引入一个简洁而有效的差分变换层，以在学生模型的主任务与代理任务间施加强在的空间一致性正则化，帮助代理任务产生更可靠预测并生成高质量不确定性图。由此，我们的模型也能解决学生模型中主任务与代理任务间出现空间不一致的任务级扰动问题。在四个具挑战性人群计数数据集上的实验结果表明，我们的方法优于最先进的半监督方法。
引用
@article{arxiv.2107.13271,
title = {Spatial Uncertainty-Aware Semi-Supervised Crowd Counting},
author = {Yanda Meng and Hongrun Zhang and Yitian Zhao and Xiaoyun Yang and Xuesheng Qian and Xiaowei Huang and Yalin Zheng},
journal= {arXiv preprint arXiv:2107.13271},
year = {2021}
}
备注
Accepted by ICCV2021