Semi-supervised Crowd Counting via Density Agency

要約

本論文では、新しいエージェンシーガイド付き半教師付き計数アプローチを提案する。まず、学習可能な補助構造、すなわち、認識された前景の地域特徴を対応する密度のサブクラス（エージェント）に近づけ、背景の特徴を押し退ける密度エージェンシーを構築する。第二に、密度誘導型対照学習損失を提案し、基幹特徴抽出器を強化する。第三に、前景特徴をさらに絞り込むために、変換器構造を用いた回帰ヘッドを構築する。最後に、アノテーションノイズによる悪影響を最小化するために、効率的なノイズ抑圧損失を提供する。4つの困難な群衆計数データセットに対する広範な実験により、我々の手法が最先端の半教師付き計数手法に対して大きなマージンをもって優れた性能を達成することが実証された。コードが利用可能です。

要約(オリジナル)

In this paper, we propose a new agency-guided semi-supervised counting approach. First, we build a learnable auxiliary structure, namely the density agency to bring the recognized foreground regional features close to corresponding density sub-classes (agents) and push away background ones. Second, we propose a density-guided contrastive learning loss to consolidate the backbone feature extractor. Third, we build a regression head by using a transformer structure to refine the foreground features further. Finally, an efficient noise depression loss is provided to minimize the negative influence of annotation noises. Extensive experiments on four challenging crowd counting datasets demonstrate that our method achieves superior performance to the state-of-the-art semi-supervised counting methods by a large margin. Code is available.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL