TAM与RTM（人群计数）
提出问题：
通过将更大的上下文集成到卷积神经网络（CNN）中，在人群计数问题上取得了重大进展。
解决方法：
研究了全局上下文在人群计数中的作用。提出了两个新的模块：token注意模块（TAM）和回归token模块（RTM）。
引入token注意模块（TAM）来细化由上下文to
Boosting Crowd Counting with Transformers
于 2022-09-16 11:09:34 首次发布
本文研究了全局上下文在人群计数任务中的重要性，提出了TAM（Token Attention Module）和RTM（Regression Token Module）两个新模块。TAM通过特征通道的条件重新校准增强上下文信息，而RTM则引导上下文token学习，用于人群总数的回归。实验结果显示，这种方法有效地解决了传统CNN在捕捉全局背景上的局限性，并改善了人群计数的准确性。
最低0.47元/天 解锁文章
扫一扫
8361
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
