研究人员推出了一种新颖的DCA-MoE框架，旨在通过使特征融合和专家路由依赖于内容来提高人群计数精度。该方法利用空间自适应层融合（SALF）动态加权来自不同骨干层的特征，并利用密度路由多感受野专家（DR-MoE）为每个位置选择最合适的专家。该框架保留了冻结的DINOv3编码器，在NWPU-Crowd基准测试上取得了有竞争力的结果，展示了自适应方法在复杂视觉分析任务中的潜力。 AI
影响 这项研究可能导致在复杂视觉场景中更准确的人群密度估计，从而惠及监控、城市规划和活动管理等应用。
排序理由 该集群包含一篇详细介绍人群计数新技术的框架的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
Crowd counting must recover reliable local density under severe variations in perspective, head scale, occlusion, and background clutter. Although modern counting objectives provide strong spatial supervision, many multi-level decoders still use spatially invariant feature fusion…
arXiv:2608.15213v1 Announce Type: new Abstract: Crowd counting must recover reliable local density under severe variations in perspective, head scale, occlusion, and background clutter. Although modern counting objectives provide strong spatial supervision, many multi-level decod…