文章图片

文章图片
08 基于异质关系互补的车辆重识别方法
Heterogeneous Relational Complement for Vehicle Re-identification
在车辆重识别任务中 ， 难点是从不同角度的摄像头所拍摄的图片中 ， 准确地寻找出相同的车辆 ， 而要有效地解决该问题 ， 需要网络能够学习到车辆在不同角度的不变特征 。为了能够获得这个鲁棒的表征 ， 本文提出一种新型的异质关系互补网络（HRCN） ， 该网络将特定区域特征和跨层特征作为增补特征 ， 来增强高层表达 。考虑到这些特征存在异质性 ， 各个特征之间的分布特征以及语义信息都不尽相同 ， 为此本文在HRCN中设计一个图关系模块 ， 将这些异质特征嵌入到统一的特征空间 。此外 ， 本文提出一种新的评价指标Cross-camera Generalization Measure (CGM) ， 相较CMC和mAP ， CGM具备更强的位置敏感性以及更好的跨摄像头泛化惩罚 。实验结果表明HRCN在VehicleID和VeRi-776数据集上均达到state-of-the-art 。

文章图片

文章图片
09 重新思考人群中的计数和定位问题：一种完全基于点的全新框架
Rethinking Counting and Localization in Crowds: A Purely Point-Based Framework
（ 此篇论文被收录为Oral）
相比仅仅估计人群中的总人数 ， 在人群中定位每个个体更为切合后续高阶人群分析任务的实际需求 。但是 ， 已有的基于定位的解决方法依赖于某些中间表示（如密度图或者伪目标框）作为学习目标 ， 这不光容易引入误差 ， 而且是一种反直觉的做法 。本文提出了一种完全基于点的全新框架 ， 可同时用于人群计数和个体定位 。针对基于该全新框架的方法 ， 我们不满足于仅仅量化图像级别的绝对计数误差 ， 因此我们提出了一种全新的度量指标即密度归一化平均精度 ， 来提供一个更全面且更精准的性能评价方案 。此外 ， 作为该框架一个直观解法 ， 我们给出了一个示例模型 ， 叫做点对点网络（P2PNet） 。P2PNet忽略了所有冗余步骤 ， 直接预测一系列人头点的集合来定位图像中的人群个体 ， 这完全与真实人工标注保持一致 。通过深入分析 ， 我们发现实现该方法的一个核心策略是为预测候选点分配最优的学习目标 ， 并通过基于匈牙利算法的一对一匹配策略来完成了这一关键步骤 。实验证明 ， P2PNet不光在人群计数基准上显著超越了已有SOTA方法 ， 还实现了非常高的定位精度 。

文章图片

文章图片
10 从异质到一致：深入研究人群计数中的计数区间划分问题
Uniformity in Heterogeneity: Diving Deep into Count Interval Partition for Crowd Counting
近期 ， 人群计数任务中学习目标不准确的问题得到了日益的关注 。受以往少数工作的启发 ， 我们摒弃了直接预测计数值本身的思路 ， 而是通过预测计数值所在的预设区间来解决这个问题 。然而 ， 不合适的区间划分会使得来自不同计数区间的图像块所贡献的计数误差非常不均衡 ， 并进一步导致较差的计数精度 。因此 ， 我们提出了一个新颖的计数区间划分标准叫做均匀误差准则（UEP） ， 该准则可以使得来自不同计数区间的计数误差贡献尽可能相等从而来最小化预测风险 。进一步地 ， 为了缓解计数值量化过程中不可避免引入的数值量化误差 ， 我们提出了平均计数代理准则（MCP） 。MCP准则为每个计数区间选取最优的计数代理值来表示所有该区间的样本在推理过程中的预测计数值 ， 这使得图像级别的整体期望离散化误差可被忽略不计 。据我们所知 ， 本工作是第一个深入探究此类区间分类任务 ， 并且针对其区间划分问题给出有效解决方案的 。根据以上所提的可被理论证明的准则 ， 我们设计了一个简单高效的模型 ， 称为UEPNet ， 该模型在多个权威数据集上达到了SOTA的精度 。

• 怎么看腾讯看点历史记录（腾讯看点历史记录查询步骤详解）
• 拥抱全真互联时代，大中华区艾菲与腾讯云企点营销战略合作再升级
• 腾讯会员到期日怎么看（腾讯会员到期日查询方法）
• 腾讯会议号在哪（腾讯会议号查看方法一览）
• LOL手游先锋测试资格和腾讯信用分有关系吗（LOL手游首测资格和腾讯信用分关系解析）
• 部落冲突腾讯版在哪下载（部落冲突腾讯版下载地址分享）
• 腾讯云游戏品牌腾讯先游升级为“腾讯先锋”
• 腾讯视频能不能同时登陆两个手机（腾讯视频同时登陆两个账号操作说明）
• 腾讯投资智慧能源创新服务商深度智控
• 重庆市巫溪县牵手腾讯 助力数字经济腾飞