半监督人群计数的混合扰动策略

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 基于传统的卷积神经网络 (CNN) 的群众计数方法容易受到来自对抗攻击的纹理干扰和不可察觉的噪音的影响.
• 在半监督人群计数中,有效利用未标记的数据仍然是一个挑战.

研究的目的:

• 提出一种简单但有效的基于一致性规范化的半监督人群计数方法.
• 使用混合扰动策略,从未标记的图像中提升信息挖掘.
• 为了提高人群计数模型对各种干扰的稳定性.

主要方法:

• 混合扰动策略结合了空间纹理转换和对抗性扰动模块,用于在语义和非语义空间中扰乱未标记的数据.
• 引入了交叉分布规范化技术,以稳定在强干扰下模型优化,解决批量规范化 (BN) 层的问题.
• 该方法利用群众计数中的半监督学习的一致性规范化.

主要成果:

• 拟议的半监督人群计数方法超过了对基准数据集的最先进方法,包括上海科技,UCF-QNRF,NWPU-Crowd和JHU-Crowd++.
• 与现有方法相比,该方法在应对各种干扰时表现出优越的稳定性.
• 广泛的实验验证了拟议方法的有效性和稳定性.

结论:

• 开发的半监督人群计数方法比目前的技术有了显著的进步.
• 混合扰动策略和交叉分布规范化有效地提高了模型性能和稳定性.
• 这项工作为使用有限的标记数据进行人群计数提供了强大而高效的解决方案.