VLCounter：面向零样本目标计数的文本感知视觉表示
计算机视觉与模式识别
2024-01-02 v2
摘要
零样本目标计数（ZSOC）旨在无需人工标注的示例，对查询图像中任意类别的实例进行计数。为了处理ZSOC，先前的研究提出了两阶段流程：发现示例和计数。然而，顺序设计的两阶段过程存在对错误传播的脆弱性挑战。在这项工作中，提出了一个单阶段基线——视觉-语言基线（VLBase），探索CLIP的语义-补丁嵌入的隐式关联。随后，通过引入三个为计数任务定制VLBase的模块，实现了VLBase向视觉-语言计数器（VLCounter）的扩展。首先，在图像编码器中引入语义条件提示调优（SPT）以获得目标高亮表示。其次，采用可学习仿射变换（LAT）将语义-补丁相似度图转换为适合计数任务的形式。最后，通过分割感知跳跃连接（SaSC）将逐层编码的特征传递到解码器，以保持对未见类别的泛化能力。通过在FSC147、CARPK和PUCPR+上的大量实验，展示了端到端框架VLCounter的优势。
引用
@article{arxiv.2312.16580,
title = {VLCounter: Text-aware Visual Representation for Zero-Shot Object Counting},
author = {Seunggu Kang and WonJun Moon and Euiyeon Kim and Jae-Pil Heo},
journal= {arXiv preprint arXiv:2312.16580},
year = {2024}
}
备注
Accepted to AAAI 2024. Code is available at https://github.com/Seunggu0305/VLCounter