实体
UCF-QNRF
UCF-QNRF
PulseAugur coverage of UCF-QNRF — every cluster mentioning UCF-QNRF across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新方法通过引导式掩码学习增强人群分析
研究人员开发了一种新颖的半监督人群实例分割和计数方法，利用排除约束双提示SAM（EDP-SAM）从现有数据集中生成掩码监督。该方法的核心是排他性引导掩码学习（XMask），它强制空间分离并改善特征连续性，以实现更稳定的训练。该框架利用实例掩码先验作为伪标签，提供比传统基于点的标注更丰富的形状信息，并在ShanghaiTech A、UCF-QNRF和JHU++等基准数据集上展示了最先进的性能。
-
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。