Scene-adaptive crowd counting method based on meta learning with dual-input network DMNet

计算机科学 人工智能 特征(语言学) 一般化 特征提取 计算机视觉 模式识别(心理学) 比例(比率) 对偶(语法数字) 数学 艺术 数学分析 哲学 语言学 物理 文学类 量子力学
作者
Haoyu Zhao,Weidong Min,Jianqiang Xu,Qi Wang,Yi Zou,Qiyan Fu
出处
期刊:Frontiers of Computer Science [Springer Nature]
卷期号:17 (1) 被引量:6
标识
DOI:10.1007/s11704-021-1207-x
摘要

Crowd counting is recently becoming a hot research topic, which aims to count the number of the people in different crowded scenes. Existing methods are mainly based on training-testing pattern and rely on large data training, which fails to accurately count the crowd in real-world scenes because of the limitation of model’s generalization capability. To alleviate this issue, a scene-adaptive crowd counting method based on meta-learning with Dual-illumination Merging Network (DMNet) is proposed in this paper. The proposed method based on learning-to-learn and few-shot learning is able to adapt different scenes which only contain a few labeled images. To generate high quality density map and count the crowd in low-lighting scene, the DMNet is proposed, which contains Multi-scale Feature Extraction module and Element-wise Fusion Module. The Multi-scale Feature Extraction module is used to extract the image feature by multi-scale convolutions, which helps to improve network accuracy. The Element-wise Fusion module fuses the low-lighting feature and illumination-enhanced feature, which supplements the missing illumination in low-lighting environments. Experimental results on benchmarks, WorldExpo’10, DISCO, USCD, and Mall, show that the proposed method outperforms the existing state-of-the-art methods in accuracy and gets satisfied results.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
赘婿应助南北采纳,获得10
刚刚
Ava应助Esang采纳,获得10
刚刚
1秒前
丘比特应助直率的拉米采纳,获得10
1秒前
桐桐应助生信难民采纳,获得10
4秒前
自觉的草丛完成签到,获得积分10
5秒前
张三完成签到,获得积分20
5秒前
诺诺发布了新的文献求助10
6秒前
lulu828完成签到,获得积分10
6秒前
柳絮发布了新的文献求助10
7秒前
布林布林2280完成签到,获得积分10
7秒前
Zoey626完成签到 ,获得积分10
8秒前
在水一方应助科研dog采纳,获得10
9秒前
13秒前
111完成签到,获得积分10
16秒前
18秒前
英勇凡儿发布了新的文献求助10
19秒前
香蕉觅云应助加速度采纳,获得10
21秒前
你爹发布了新的文献求助20
22秒前
24秒前
桐桐应助123456采纳,获得10
24秒前
秋秋发布了新的文献求助10
24秒前
25秒前
一米阳光完成签到,获得积分10
28秒前
30秒前
共享精神应助samifranco采纳,获得10
30秒前
31秒前
CodeCraft应助june采纳,获得10
33秒前
共享精神应助huyang采纳,获得10
33秒前
一叶知秋完成签到 ,获得积分10
34秒前
Pxn1bplus发布了新的文献求助10
34秒前
34秒前
123456发布了新的文献求助10
34秒前
34秒前
从容安波完成签到 ,获得积分10
35秒前
舒心糖豆发布了新的文献求助10
37秒前
山真页完成签到,获得积分10
38秒前
汤鱼发布了新的文献求助10
38秒前
Tink完成签到,获得积分10
39秒前
39秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
Very-high-order BVD Schemes Using β-variable THINC Method 568
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3135027
求助须知:如何正确求助?哪些是违规求助? 2785983
关于积分的说明 7774640
捐赠科研通 2441787
什么是DOI,文献DOI怎么找? 1298184
科研通“疑难数据库(出版商)”最低求助积分说明 625088
版权声明 600825