https://arxiv.org/pdf/2009.13077.pdf
https://github.com/cvlab-stonybrook/DM-Count
Abstract:
在人群计数中,每个训练图像包含多个人,每个人都用一个点标记。现有的人群计数方法需要使用高斯平滑每个带注释的点或估计给定带注释点的每个像素的可能性。在本文中,我们表明将高斯规则强加于注释会损害泛化性能。相反,我们提出对人群计数(DM-Count)使用分布匹配。在DM-Count中,我们使用最优传输(OT)来测量归一化的预测密度图和归一化的地面真实密度图之间的相似度。为了稳定OT计算,我们在模型中包括了Total Variation loss。我们表明,DM-Count的泛化误差范围比高斯平滑方法的泛化误差范围更严格。在平均绝对误差方面,DM-Count在两个大型计数数据集(UCF-QNRF和NWPU)上大大优于以前的最新方法,并在ShanghaiTech和UCF-CC50数据集上获得了最新结果。值得注意的是,DM-Count在NWPU基准测试中排名第一,将最新发布结果的误差减少了约16%。