NWPU-Crowd: A Large-Scale Benchmark for Crowd Counting and Localization
PulseAugur coverage of NWPU-Crowd: A Large-Scale Benchmark for Crowd Counting and Localization — every cluster mentioning NWPU-Crowd: A Large-Scale Benchmark for Crowd Counting and Localization across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新方法利用SAM和强化点选择增强人群实例分割
研究人员开发了一种名为密集点到掩码优化（DPMO）的新方法，以改善密集人群场景下的实例分割。DPMO集成了Segment Anything Model（SAM）和最近邻排他圆（NNEC）约束，以从点标注生成详细掩码。此外，还引入了一个使用组相对策略优化（GRPO）训练的强化点选择（RPS）框架，以选择最准确的点预测用于实例分割。这些进展在多个群体计数数据集上取得了最先进的性能，证明了掩码标注在提高计数准确性方面的价值。
-
CLIP-EBC 模型增强 CLIP 以实现准确的拥挤计数
研究人员开发了 CLIP-EBC，这是一种新颖的方法，使 CLIP 模型能够准确估计图像中的拥挤密度。该方法通过使用整数值箱来减少歧义，并结合基于密度图的回归损失以改进预测，从而解决了现有基于分类的框架的局限性。CLIP-EBC 表现出具有竞争力的性能，在 NWPU-Crowd 数据集上取得了最先进的成果，与以前的方法相比有了显著改进。
-
Action Hints 论文使用 LLM 进行基于骨骼的视频异常检测
研究人员开发了一个新的零样本视频异常检测（ZS-VAD）框架，该框架利用骨骼数据中的语义典型性和上下文独特性。该方法旨在通过从大型语言模型中提取关于正常和异常行为的知识来提高对新场景的泛化能力。该方法在多个数据集上取得了最先进的结果，而无需目标域训练数据。