通过点位标注概率图容忍密集目标计数中的标注位移
计算机视觉与模式识别
2023-11-09 v2 人工智能
摘要
在拥挤场景中计数目标仍是计算机视觉领域的一项挑战。当前基于深度学习的方法通常将其表述为高斯密度回归问题。这种暴力回归虽然有效，但可能未恰当考虑源于人工标注过程且可能导致不同分布的标注位移。我们推测，在密集目标计数任务中考虑标注位移将是有益的。为获得对标注位移的强鲁棒性，我们利用具有可调带宽和形状参数的广义高斯分布（GGD）函数来构建学习目标点位标注概率图 PAPM。具体而言，我们首先提出一种手工设计的 PAPM 方法（HD-PAPM），其中基于 GGD 设计函数以容忍标注位移。对于端到端训练，手工设计的 PAPM 对于特定网络和数据集可能并非最优。为此提出一种自适应学习的 PAPM 方法（AL-PAPM）。为提升对标注位移的鲁棒性，我们设计了一种基于 GGD 的有效传输代价函数。所提出的 PAPM 能够与其他方法集成。我们还通过修改匹配代价矩阵将 PAPM 与 P2PNet 结合，形成 P2P-PAPM。这也能提升 P2PNet 对标注位移的鲁棒性。大量实验表明了我们所提方法的优越性。
引用
@article{arxiv.2308.00530,
title = {Tolerating Annotation Displacement in Dense Object Counting via Point Annotation Probability Map},
author = {Yuehai Chen and Jing Yang and Badong Chen and Hua Gang and Shaoyi Du},
journal= {arXiv preprint arXiv:2308.00530},
year = {2023}
}