Boosting Crowd Counting via Multifaceted Attention

已于 2022-09-16 14:57:21 修改
阅读量946 收藏 14
点赞数
分类专栏： Crowd density estimation 文章标签： transformer
于 2022-09-16 11:14:30 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/shaomjc/article/details/126886791
版权
MAN是一种新型网络，结合全局、局部可学习区域和实例注意力，解决尺度差异和标签噪声问题。LRA动态分配注意力范围，LAR确保注意力与人头大小对应，IAL处理标注错误。实验显示MAN提高了人群计数的精度。
摘要由CSDN通过智能技术生成

MAN(人群计数)

提出问题：

同一张图片中由于远近关系人头大小可能差异很大，但是标签只有点标注，目前 CNN 和 全局 Attention 是没法很好应对这种尺度差异的；

有些标签位置不太准确，比如应该在人头正中心却标注的有些偏。

因此文章一共提出了三个模块，可学习区域注意力（LRA）、局部注意力正则化（LAR）和实例注意力损失。前两个彼此关联，致力于解决第一个尺度差异问题；最后一个则是针对标签噪声，提出了非常简单却可以推广的损失范式。

解决方法：

提出了一种多方面注意网络（MAN）

最低0.47元/天 解锁文章
Yunpeng1119
关注
专栏目录
人群计数开源笔记
jacke121的专栏
05-31 3882
所有介绍： https://github.com/gjy3035/Awesome-Crowd-Counting 有权重 https://github.com/ElementAI/LCFCN 实测效果比较差。 类不可知计数 https://github.com/erikalu/class-agnostic-counting 这个月有权重： https://gi...
论文那些事—Boosting the Transferability of Adversarial Samples via Attention
shuweishuwei的博客
12-07 2515
Boosting the Transferability of Adversarial Samples via Attention（CVPR2020，ATA） 1、摘要 本文主要以提高对抗样本的迁移性为目的，黑盒攻击在真实情况中才最常发生。首先关于注意力机制，粗略的描述就是“你正在做什么，你就将注意力集中在那一点上”。本文也是首次将注意力机制运用在对抗样本上，注意力主要由反向传播的梯度构成。 本文贡献主要有三个： 提出了一种新的策略来提高对抗性图像的可转移性。它的特点是引入模型注意来正则化对抗噪
Boosting Crowd Counting with Transformers
shaomjc的博客
09-16 258
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token通知的编码特征。 使用回归token模块（RTM）进一步指导上下文token的学习，该模块在人群总数的回归中容纳辅助损失 提出的TAM模块旨在解决vision transformer中的多头自注意力（MHSA）仅模拟空间交互的观察问题，而经过验证的真实通道交互也被证明具有至关重要的有效性。为此，TAM通过特征通道的条件重新校准将上
Boosting Crowd Counting via Multifaceted Attention之人群密度估计实践
Together_CZ的博客
02-26 1160
Boosting Crowd Counting via Multifaceted Attention之人群密度估计实践
直播预告 | CVPR 2022论文解读：基于多面注意力机制的人群计数
Paper weekly
05-23 1146
本期 AI Drive，我们邀请到西安交通大学网络空间安全学院硕士生林卉，为大家在线解读其发表在 CVPR 2022 的最新研究成果。本次报告的主题为「基于多面注意力机制的人群计数」。对本期主题感兴趣的小伙伴，5 月 24日（本周二）晚 7 点，我们准时相约 PaperWeekly 直播间。直播信息本次讲座将主要汇报我们 CVPR 2022 的一篇文章。该文主要针对人群...
直播预告 | CVPR’22：基于多面注意力机制的人群计数
AI_Drive的博客
05-22 509
​「AI Drive」是由 biendata 和 PaperWeekly 共同发起的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而有效地反馈和交流可能会让知识的传播更加有意义，从而产生更大的价值。 本期 AI Drive，我们邀请到西安交通大学网络空间安全学院一年级硕士生-林卉，为大家在线解读其发表在CVPR 2022的最新研究成果：基于多面注意力机制的人群计数。对本期主题感兴趣的小伙伴，5月 24日（周二）晚 7 点，我们准时相约 ...
适应多场景的客流量统计-人流量统计算法
quickaigo的博客
01-31 1167
在商场、展厅、景区等受人流量影响较大的场所，流量统计算法可以快速获取流量数据和动态趋势，辅助评估店铺和部分活动的效果，帮助商业决策。另外，在地铁站、火车站、机场等公共场所。实时检测人数可以及时预警高密度人群，实施分流限流等措施，减少安全事故的发生。
boosting-crowd-counting-via-multifaceted-attention-
最新发布
10-27
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...
【论文汇总】人群计数中Transformer的应用，持续更新
学术菜鸡
05-24 4308
人群计数中transformer的应用论文汇总
人群计数 MCNN 解析 PGCNet
TEDDY的博客
03-13 2700
人群计数研究的发展 传统的：直接回归计数法--- input(图片)——>outout(人数) 参考 目前深度学习主流的： input(图片)——>output(密度图)——>估计人数 为什么不基于深度学习的目标检测、原因是目标检测对于密集对象与超小目标对象很难正确识别与准确计数。无法正确给出密集人群的模型与聚集程度。进展 | 密集人群分布检测与计数_Dataset 首先对于这个新的细分领域的深度学习可以从这篇文章入门开始： 人群计数：从MCNN开始谈起~ - 知乎 .
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
CVPR2020-注意力尺度用于人群密度估计 | Attention Scaling for Crowd Counting
weixin_42096202的博客
06-22 3203
与白翔组的分尺度预测人群密度有点类似。感觉还是挺有效的，这种思想是否可以借鉴到其他领域中去呢？ 论文地址：http://openaccess.thecvf.com/content_CVPR_2020/papers/Jiang_Attention_Scaling_for_Crowd_Counting_CVPR_2020_paper.pdf Abstract： 基于卷积神经网络（CNN）的方法通常通过输出人群密度将人群计数作为回归任务。他们学习图像内容和人群密度分布之间的映射。尽管取得了令人鼓舞的结果，但.
Crowd Counting论文小结（持续更新）
菜根檀的博客
02-26 3745
Crowd Counting论文小结（持续更新）CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly CongestedCCTrans: Simplifying and Improving Crowd Counting with TransformerFocal Inverse Distance Transform Maps for Crowd Localization and Counting in Dense
CVPR 2022 57 篇论文分方向整理 + 打包下载｜涵盖目标检测、语义分割、人群计数、异常检测等方向
极市平台的技术博客
03-10 7386
涵盖目标检测、语义分割、人群计数、异常检测等方向
人群计数：人群计数研究综述（2018.11）
Bob_lb的博客
01-13 1万+
人群计数研究综述本期我们迎来了编辑团队的新成员，来自复旦大学计算机的在读博士老田和电闪雷鸣。哈哈，邀请不到大牛，把大牛的学生挖过来也不错。本期他们将为我们介绍人群计数的相关技术和进展，欢迎感兴趣的朋友阅读前言国内外的大型活动中频发踩踏事件，已经造成了不小的伤亡，如2015年上海外滩踩踏事件,已达到了我国规定的重大伤亡事故级别。因此，人群计数问题的研究也越来越火热，若能通过准确估计当前场景的人群密度...
论文阅读 (61)：Multi-Instance Attention Network for Few-Shot Learning
因吉的博客
07-18 936
提取语义对象的注意力机制是小样本学习中的关键技术。然而，小样本学习中的很多注意力网络通常施加在通道或者像素维度，导致注意力图的大小过大。由于训练样本的缺乏，这些方法可能过拟合，并难以找到语义目标。本文划分原始图像为多个区块，从图像数据中扩展得到新的维度，即区块维度：1）区块维度的数量通常小于传统的三种维度，可以极大减少注意力模块参数的数量；2）区块维度注意力机制可以受益于多实例学习，并在全局和局部特征之间取得很好的折衷。..................
浅谈人群行为分析算法
向高手学习
01-04 3277
概述 人群行为分析算法分为四个主要方向： 1、行人检测(Pedestrian Detection) 2、人群计数(Crowd Counting) 3、人群密度分析(Crowd Density Estimation) 4、人群状态分析(Crowd Behaviour Analysis) 人群计数与人群密度分析为其中重要的组成内容。人群计数与人群密度分析算法通常的方法大致可以分为三种: ...
论文理解《Stacked Pooling: Improving Crowd Counting by Boosting Scale Invariance》
鱼奶奶的花园
09-23 1045
代码主页：https://github.com/siyuhuang/crowdcount-stackpool 解决问题：在池化层上下功夫，解决了图像处理中的多尺度问题； 发现： 1.在人群计数的图片数据集上，如果将不同区域的图片resize到一定的尺寸，这两个区域会表现出极大的视觉相似性（包括人物大小、人群密度、层叠关系）；见下图。 2. a larger pooling ran...
人群密度估计--Learning to Count with CNN Boosting
AI小作坊 的博客
09-28 3071
Learning to Count with CNN Boosting ECCV2016本文使用CNN来进行人群密度估计，主要有两个改进地方：layered boosting and selective samplingBoosting deep networks ： Boosting 在组合学习中是一种知名的贪婪技术。基本的思想就是对前一个分类器的误差训练一个新的分类器来矫正。广义上，当使用多个
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值