VMambaCC：用于群体计数的视觉状态空间模型
计算机视觉与模式识别
2024-05-08 v1
摘要
作为一种深度学习模型，视觉Mamba（VMamba）具有低的计算复杂度和全局感受野，已成功应用于图像分类和检测。为扩展其应用，我们将VMamba应用于群体计数并提出一种新的VMambaCC（VMamba群体计数）模型。自然地，VMambaCC继承了VMamba的优势，即图像的全局建模和低计算成本。此外，我们设计了一种多头高级特征（MHF）注意力机制用于VMambaCC。MHF是一种新的注意力机制，利用高级别语义特征来增强低级别语义特征，从而以更精确的方式增强空间特征表示。建立在MHF之上，我们进一步提出了一种高级语义监督特征金字塔网络（HS2PFN），该网络逐步整合和增强高级别语义信息与低级别语义信息。广泛的实验结果表明，我们的方法在五个公开数据集上有效。例如，我们的方法在ShangHaiTech_PartA数据集上实现了平均绝对误差为51.87，平均平方误差为81.3。我们的代码即将公开。
引用
@article{arxiv.2405.03978,
title = {VMambaCC: A Visual State Space Model for Crowd Counting},
author = {Hao-Yuan Ma and Li Zhang and Shuai Shi},
journal= {arXiv preprint arXiv:2405.03978},
year = {2024}
}