一个MaskFormer EfficientNet实例细分方法用于群众计数
1School of Computer Science, UPES, Dehradun, Uttarakhand, 248007, India.
Scientific reports
|April 17, 2025
概括
本研究介绍了一种MaskFormer EfficientNetB7实例分割模型,用于准确的群众计数. 这种新的方法有效地解决了诸如规模和阻塞等挑战,在各种场景中优于现有的方法.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 对象检测是计算机视觉的一个关键挑战.
- 卷积神经网络 (CNN) 广泛用于对象检测.
- 人群计数面临诸如尺度变化,照明变化和遮蔽等挑战.
研究的目的:
- 为具有挑战性的场景提出一个高效和准确的人群计数模型.
- 为了利用MaskFormer架构与EfficientNetB7进行性能改进.
主要方法:
- 使用的MaskFormer用于面具分类和标签预测.
- 使用EfficientNetB7作为特征提取的支柱.
- 实现了EfficientNetB7.7的复合缩放算法.
主要成果:
- 在UCF-QNRF,ShanghalTech (A和B部分) 和Mall数据集上取得了显著的成果.
- 与现有的人群计数方法相比,表现出优异的性能.
- 显示了平均绝对误差 (MAE) 和根平均平方误差 (RMSE) 的显著减少.
结论:
- 拟议的MaskFormer EfficientNetB7模型在人群计数中提供了高精度和效率.
- 该模型在各种环境和未见的数据中表现出强大的概括性.
- 这种方法为复杂的人群计数任务提供了强大的解决方案.
