汇总:密集人群检测

城市公交超载/高速客运超载项目/大型活动

  • MSCNN

MSCNN论文:https://arxiv.org/abs/1702.02359
keras代码:https://github.com/xiaochus/MSCNN
TensorFlow版本代码:https://github.com/Ling-Bao/mscnn
较好的项目教程地址:https://www.jianshu.com/p/29a213f22b40

  • FCHD

FCHD论文地址:https://arxiv.org/abs/1809.08766v1
PyTorch代码:https://github.com/aditya-vora/FCHD-Fully-Convolutional-Head-Detector

  • MTCNN

这个模型可以搞人脸识别 、车牌识别、公交车人头检测
这个太经典了代码和论文就不放出来啦

  • CSRNet

论文地址: https://arxiv.org/abs/1802.10062
PyTorch代码地址:https://github.com/leeyeehoo/CSRNet-pytorch
Keras代码地址:https://github.com/DiaoXY/CSRnet

  • SANet

[SANet] Scale Aggregation Network for Accurate and Efficient Crowd Counting (ECCV2018)(人群密度)
《SANet: Structure-Aware Network for Visual Tracking》(CVPR 2017 目标追踪)
Top-Down Feedback for Crowd Counting Convolutional Neural Network (AAAI2018) (人群密度)
 

  • 0
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
### 回答1: IoU (Intersection over Union)是计算两个区域重叠的程度的一种指标,常用于目标检测中评估预测框和真实框的匹配情况。 IoU可以有以下几种变形: - mIoU(mean IoU):对于数据集中所有样本,计算每一类的IoU并取平均值。 - gIoU(generalized IoU):对于两个区域A、B,gIoU计算如下:gIoU(A,B) = IoU(A,B) - IoU(A,B') + 1,其中B'是与B不相交的区域。 - cIoU(complete IoU):对于两个区域A、B,cIoU计算如下:cIoU(A,B) = IoU(A,B) - IoU(A,B') - IoU(A',B) + IoU(A',B') + IoU(A,B),其中A'、B'是与A、B不相交的区域。 - CIoU(confidence IoU):CIoU在cIoU的基础上再加入了预测框的置信度因素,公式如下:CIoU(A,B) = cIoU(A,B) - p2 * v(A) / (v(A) + v(B)),其中p2是置信度的超参数,v(A)和v(B)分别表示区域A、B的面积。 常见的目标检测任务常常使用mIoU作为性能度量指标。 ### 回答2: 目标检测中的交并比(IOU)是一种衡量检测框与真实框之间重叠程度的指标。在目标检测任务中,IOU通常用来评估检测结果的准确性。 在实际应用中,研究者对IOU进行了一些变形和扩展,以更好地适应不同的场景和需求。 1. GIOU(Generalized Intersection over Union):GIOU是对IOU的一种改进,考虑了目标框的尺寸和位置信息,同时考虑了检测框和真实框之间的平移和缩放关系。 2. DIOU(Distance-IoU):DIOU基于IOU和目标框的中心距离进行了修改。它考虑了物体的大小和位置信息,并通过计算中心距离来惩罚检测框与真实框之间的重叠不足。 3. CIOU(Complete-IoU):CIOU是对DIOU的改进,它还考虑了宽高比的一致性。CIOU通过计算对角线距离来衡量两个框之间的距离,从而更好地描述检测框和真实框之间的相似度。 以上是目标检测中常用的IOU变形的汇总。这些改进方法能够更准确地评估检测结果的质量,并帮助提升目标检测算法的性能和准确性。研究者们不断尝试更多的变体,并希望能够找到更好的方式来衡量目标检测的结果。 ### 回答3: 目标检测中的Intersection over Union(IoU)是一种常用的评估指标,用于衡量预测框与真实标注框之间的重叠程度。除了传统的IoU指标外,还有一些关于IoU的变形方法。 首先是GIoU(Generalized IoU),它通过计算预测框与真实标注框的最小闭包矩形(minimum enclosing rectangle,MER)的面积和真实标注框的面积之比来进行衡量。相比传统的IoU,GIoU考虑了预测框与真实标注框之间的位置偏移,能够更好地评估不同形状的目标。 接下来是DIoU(Distance IoU),它在GIoU的基础上还考虑了预测框与真实标注框之间的中心点距离。DIoU可以有效地解决多目标检测中的crowding问题,改进了目标之间的重叠度量。 还有CIoU(Complete IoU),它在DIoU的基础上进一步考虑了长宽比的相似性。CIoU使用一个参数来衡量长宽比的差异,可以更加准确地评估目标的匹配程度。 此外,还有EIoU(Efficient IoU)等其他变形方法,它们主要通过改进IoU的计算方式来提高检测算法的效率。 总的来说,这些IoU的变形方法在目标检测中起到了衡量目标检测精度的作用,能够更好地评估预测框与真实标注框之间的重叠程度,从而提高目标检测算法的准确性和稳定性。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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