异质性中的均匀性：深入探究人群计数中的计数区间划分
计算机视觉与模式识别
2021-08-10 v2 机器学习
摘要
近年来，人群计数中学习目标不准确的问题引起越来越多关注。受少数开创性工作启发，我们通过预测预定义计数区间分箱的索引而非计数值本身来解决该问题。然而，不恰当的区间设置可能使不同区间的计数误差贡献极不平衡，导致计数性能不佳。因此，我们提出一种称为均匀误差划分(UEP)的新计数区间划分准则，其始终保持所有区间的期望计数误差贡献相等，以最小化预测风险。进而为缓解计数量化过程中不可避免引入的离散化误差，我们提出另一准则称为均值计数代理(MCP)。MCP准则为每个区间选取最佳计数代理以在推理时代表其计数值，使图像的整体期望离散化误差近乎可忽略。据我们所知，本工作是首个深入探究此类分类任务并给出有前景的计数区间划分方案的。遵循上述两个经理论证明的准则，我们提出了一个简洁而有效的模型称为均匀误差划分网络(UEPNet)，其在多个具挑战性数据集上取得了最先进性能。代码将发布于：https://github.com/TencentYoutuResearch/CrowdCounting-UEPNet。
引用
@article{arxiv.2107.12619,
title = {Uniformity in Heterogeneity:Diving Deep into Count Interval Partition for Crowd Counting},
author = {Changan Wang and Qingyu Song and Boshen Zhang and Yabiao Wang and Ying Tai and Xuyi Hu and Chengjie Wang and Jilin Li and Jiayi Ma and Yang Wu},
journal= {arXiv preprint arXiv:2107.12619},
year = {2021}
}
备注
To be appear in ICCV2021