面向计数级弱监督的人群计数方法
计算机视觉与模式识别
2020-03-03 v1 人工智能
摘要
大多数现有人群计数方法需要目标位置级标注,即在目标中心放置一个点。尽管比边界框或像素级标注更简单,获取这种标注仍然劳动密集且耗时,尤其是对于高度拥挤场景的图像。另一方面,仅知道目标总数的更弱标注在许多实际场景中几乎可以不费力气。因此,期望开发一种能从计数级标注中有效训练模型的学习方法。为此,本文研究了弱监督人群计数问题,即从少量位置级标注(全监督)和大量计数级标注(弱监督)中学习模型。为了在该场景下进行有效训练,我们观察到将密度图积分回归到目标计数的直接解法并不充分,并且对弱标注图像的预测密度图引入更强的正则化是有益的。我们设计了一种简单而有效的训练策略,即多辅助任务训练(MATT),来构建正则化以限制生成密度图的自由度。通过在现有数据集和新提出的数据集上的大量实验,我们验证了所提弱监督方法的有效性,并展示了其相对于现有方案的优越性能。
引用
@article{arxiv.2003.00164,
title = {Towards Using Count-level Weak Supervision for Crowd Counting},
author = {Yinjie Lei and Yan Liu and Pingping Zhang and Lingqiao Liu},
journal= {arXiv preprint arXiv:2003.00164},
year = {2020}
}