BriefGPT - AI 论文速递
·
基于点监督的物体计数与定位的密集中心方向回归
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文提出使用高斯卷积核代替原有卷积滤波器，以估计密度地图中的空间位置，激励密度地图生成并克服注释噪声。实验结果表明该方法在对象计数网络上优于其他方法，对人群、车辆和植物计数有希望的学习。
🎯
关键要点
- 提出使用高斯卷积核代替原有卷积滤波器。
- 目的是估计密度地图中的空间位置，激励密度地图生成并克服注释噪声。
- 研究指明新的方向，建议放松基于像素级空间不变性的对象计数。
- 在MCNN，CSRNet，SANet和ResNet-50等4个对象计数网络上进行评估。
- 针对人群、车辆和植物计数的7个流行基准进行广泛实验。
- 实验结果表明该方法明显优于其他最先进的方法。
➡️
