cxm4399的博客

2018 CVPR1.Abstract基于检测的计数方法将在低密度场景中准确估计人群，同时降低其在拥挤区域的可靠性。 另一方面，基于回归的方法捕获拥挤区域中的一般密度信息。在不知道每个人的位置的情况下，它倾向于高估低密度区域中的计数。本文的思路就是将 检测方法和回归方法结合起来，各取所长。2. Related works3. Crowd Counting by DecideNet两条...

摘要：对U-net进行改造，引入了独立的解码增强分支loss： BCE和MSE lossencoder 部分是vgg16，decoder 部分是U-net，修改的通道数branch 同decoder ，加个转一通道的1*1convidea就是 用人群位置二值图来加强count branch，用U-net切割人群的思想。...

用GTA5生成带准确标注的数据集，awosome两种利用合成数据的方法（上、下）1) 在合成数据集预训练，在现实数据集微调，显著的提升了模型的现实性能。2)提出一个基于迁移学习的人群计数方法，能从数据标注解放人力http://muyaan.com/2019/03/27/CVPR-2019%E4%BA%BA%E7%BE%A4%E8%AE%A1%E6%95%B0-Lear...

创新点：1.格子型网络 encoder-decoder2.dense skip connection3.新 losshttps://www.jiqizhixin.com/articles/2019-05-31-3

http://muyaan.com/2019/03/26/CVPR-2019%E4%BA%BA%E7%BE%A4%E5%88%86%E6%9E%90-ADCrowdNet-An-Attention-injective-Deformable-Convolutional-Network-for-Crowd-Understanding/Figure 2 网络整体结构第一阶段网络称为AM...

2019 CVPRAbstract提出一个新奇的框架，能够同时解决两个内在联系的问题，技术和定位。由图1说明，虽然人群总数一致，但局部人数是不一致的，是不准确的。1. Introductioncontribution：(1).模型能够判断精确的位置，因为 1.1以往的MAE loss 不适合判断人群位置，应该采用稀疏性鼓励的损失，此处引入二元交叉熵损失的归一化变量。 ...

总结一[1]（从phd到现在工作半年，发了12篇paper，7篇firstauthor.）         我现在每天还保持读至少2-3篇的文献的习惯。读文献有不同的读法。但最重要的自己总结概括这篇文献到底说了什么，否则就是白读，读的时候好像什么都明白，一合上就什么都不知道，这是读文献的大忌，既浪费时间...

2018 CVPRAbstractCSRnet由两个主要成分组成：一个卷积神经网络(VGG16)作为2D特征提取的前端和一个用于后端的扩张CNN，它使用扩张的核S提供更大感受野段并替换池操作。测试的4大数据集 ShanghaiTech dataset, the UCF CC 50 dataset, the WorldEXPO’10 dataset, and the UCSD datas...

2019 CVPR oralAbstract在这项工作中，我们提出了一个新的深度检测网络，只需要点监督。它可以同时检测人类头部的大小和位置，并计算人数。contribution创新点：提出新的在线伪GT更新方案，它从像素级标注，先初始化伪GT包围框，并在训练过程中迭代地更新它们。这里的初始化是基于最近的近邻头距离。提出新的 局部约束回归损失 的点监督设置，使预测框在局部带区域具有相似的...

2019 CVPR摘要：以往方法都是从多尺度，多语义角度出发提高鲁棒性和效果，而我们确定了三个对密度估计至关重要的属性：几何/语义/数字属性，并演示了如何有效地利用这些异构属性来帮助人群计数，即将它们构造成多个辅助任务来计数。Figure 1 展示了三种属性尺度变化大->几何属性杂乱的背景->语义属性总数->数字属性创新点-（其实在摘要里说了，不同...