crowd counting这个领域最近有哪些SOTA
时间: 2024-02-29 08:56:27 浏览: 22
目前,crowd counting领域的SOTA方法主要分为两类:基于回归的方法和基于密度估计的方法。下面分别介绍一下这两类方法的最新进展。
1. 基于回归的方法:
- MCNN:2016年,Zhang等人提出了基于多列卷积神经网络(MCNN)的方法,取得了当时的SOTA结果。
- CSRNet:2018年,Liu等人提出了一种基于卷积神经网络和级联回归的方法,称为稠密比例回归网络(CSRNet),在多个数据集上取得了最佳结果。
2. 基于密度估计的方法:
- SANet:2019年,Cao等人提出了一种基于注意力机制的密度估计方法,称为稠密比例回归网络(CSRNet),在多个数据集上取得了最佳结果。
- CAN:2019年,Liu等人提出了一种基于条件对抗网络(Conditional Adversarial Network,CAN)的方法,可以同时估计人数密度和人的位置。
- DM-Count:2020年,Liu等人提出了一种基于深度度量学习的密度估计方法,称为密度测量网络(DM-Count),在多个数据集上取得了最佳结果。
需要注意的是,由于数据集、评估指标等差异,不同的论文可能使用不同的SOTA结果,因此需要根据实际情况进行选择。
相关问题
boosting-crowd-counting-via-multifaceted-attention-
boosting-crowd-counting-via-multifaceted-attention是一种通过多方面注意力提升人群计数的方法。该方法利用了多个方面的特征来准确估计人群数量。
在传统的人群计数方法中,往往只关注人群的整体特征,而忽略了不同区域的细节。然而,不同区域之间的人群密度可能存在差异,因此细致地分析这些区域是非常重要的。
该方法首先利用卷积神经网络(CNN)提取图像的特征。然后,通过引入多个注意力机制,分别关注图像的局部细节、稀疏区域和密集区域。
首先,该方法引入了局部注意力机制,通过对图像的局部区域进行加权来捕捉人群的局部特征。这使得网络能够更好地适应不同区域的密度变化。
其次,该方法采用了稀疏区域注意力机制,它能够识别图像中的稀疏区域并将更多的注意力放在这些区域上。这是因为稀疏区域往往是需要重点关注的区域,因为它们可能包含有人群密度的极端变化。
最后,该方法还引入了密集区域注意力机制,通过提取图像中人群密集的区域,并将更多的注意力放在这些区域上来准确估计人群数量。
综上所述,boosting-crowd-counting-via-multifaceted-attention是一种通过引入多个注意力机制来提高人群计数的方法。它能够从不同方面细致地分析图像,并利用局部、稀疏和密集区域的特征来准确估计人群数量。这个方法通过考虑人群分布的细节,提供了更精确的人群计数结果。
Cross-Modal Collaborative Representation Learning and a Large-Scale RGBT Benchmark for Crowd Counting
这篇论文提出了一种跨模态协作表示学习方法和一个大规模 RGBT 数据集,用于人群计数。该方法主要是通过将可见光图像和热红外图像作为输入,同时训练一个共享的卷积神经网络,来学习两种不同模态之间的关联性,从而提高人群计数的准确性。同时,该论文还提出了一个大规模的 RGBT 数据集,用于评估该方法的性能。实验结果表明,该方法在几种不同的数据集上都取得了优异的表现,并且在该数据集上超过了其他现有的方法。