基于超图关联的人群密度分布学习: 人群计数结合超图神经网络：Hypergraph Crowd Counting

文章题目：Hypergraph Association Weakly Supervised Crowd Counting

链接：https://dl.acm.org/doi/pdf/10.1145/3594670

代码：GitHub - Boli-trainee/Hypergraph-Association-Weakly-Supervised-Crowd-Counting: The code of paper: Hypergraph Association Weakly Supervised Crowd Counting

太长不看版本：
首先，由于人群自身聚集的特性导致计数场景中常见人群密度分布不均匀的问题，从而显著降低了模型的计数精度。为应对这一挑战，强监督人群计数任务中的密度图提供了人群位置信息，因此极大程度地提高了计数精度。然而，在端到端的弱监督人群计数领域中，缺乏密度图，即缺少对人群密度分布的先验信息。我们认为人群密度分布信息是制约弱监督人群计数方法的关键问题。因此，我们提出超图关联模块，用于建模特征之间的复杂关联关系，使得模型能够深入理解计数场景，学习人群密度分布。这一创新的超图关联模块有助于弥补弱监督方法在计数场景理解方面的不足。

最后场景理解效果：

摘要：弱监督人群计数包括对图像中出现的个体数量的回归，仅使用总数作为标签。然而，这一任务受到两个主要挑战的困扰:头部大小的巨大变化和人群密度的不均匀分布。为了解决这些问题，我们提出了一个新的超图关联人群计数(HACC)框架。我们的方法包括一个新的多尺度扩展金字塔模块，可以有效地处理头部尺寸的大变化。此外，我们提出了一种新的超图关联模块，通过编码特征之间的高阶关联来解决人群密度分布不均匀的问题，为解决这一问题开辟了新的方向。在多个数据集上的实验结果表明，我们的HACC模型取得了最新的结果。

思路：为了解决人群密度不均匀的问题，将HGNN引入到人群计数领域，对特征之间的关系进行建模。此外，提出了一种新的超图关联模块，该模块基于欧几里得距离和可学习的相似度关联来构建超图。

为啥用超图？和图相比有啥优势？

模型性能咋样？

可视化图说明：