面向无监督人群计数的回归-检测双知识迁移
计算机视觉与模式识别
2020-09-29 v2
摘要
无监督人群计数是一项具挑战性却尚未充分探索的任务。本文在迁移学习设定中探索该任务：通过迁移在带标签源集中从基于回归与基于检测的模型学到的双知识，学习在未带标签目标集中检测并计数行人。两模型的双重源知识是异构且互补的，因其捕捉人群分布的不同模态。我们将基于回归与基于检测模型输出间的相互转换表述为两个场景无关变换器，从而实现两模型间的知识蒸馏。给定源集中学到的基于回归与检测的模型及其相互变换器，我们引入一种在目标集中带回归-检测双知识迁移的迭代自监督学习方案。在ShanghaiTech、UCF_CC_50与UCF_QNRF等标准人群计数基准上的大量实验表明，我们的方法在迁移学习设定下相较其他最优方法取得显著改进。
引用
@article{arxiv.2008.05383,
title = {Towards Unsupervised Crowd Counting via Regression-Detection Bi-knowledge Transfer},
author = {Yuting Liu and Zheng Wang and Miaojing Shi and Shin'ichi Satoh and Qijun Zhao and Hongyu Yang},
journal= {arXiv preprint arXiv:2008.05383},
year = {2020}
}
备注
This paper has been accepted by ACM MM 2020(Oral)