Learning Spatial Similarity Distribution for Few-shot Object Counting

少样本物体计数旨在计算查询图像中属于给定范例图像相同类别的物体数量。现有方法在二维空间域中计算查询图像和范例图像之间的相似度，并执行回归以获得计数数字。然而，这些方法忽略了范例图像中相似度的空间分布的丰富信息，导致匹配准确性受到重大影响。为解决这个问题，我们提出了一种学习空间相似度分布（SSD）的网络，用于少样本物体计数，该网络保留范例特征的空间结构，并在查询特征和范例特征之间计算4D相似度金字塔，捕获4D相似度空间中每个点的完整分布信息。我们提出了相似度学习模块（SLM），该模块在相似度金字塔上应用高效的中心旋转4D卷积，将不同的相似度分布映射到不同的预测密度值，从而获得准确的计数。此外，我们还引入了特征交叉增强（FCE）模块，以相互增强查询和范例特征，提高特征匹配的准确性。我们的方法在多个数据集上优于现有的最先进方法，包括FSC-147和CARPK。代码可在https://github.com/CBalance/SSD上获得。

本论文旨在解决few-shot object counting问题，即在给定的少量样本图像中，计算查询图像中属于同一类别的物体数量。该问题是一个新问题。

论文提出了一种学习空间相似度分布的方法（SSD），通过计算查询特征和样本特征之间的4D相似度金字塔，捕捉4D相似度空间中每个点的完整分布信息。论文还引入了相似度学习模块（SLM）和特征交叉增强模块（FCE）来提高特征匹配的准确性。

论文在多个数据集上进行了实验，包括FSC-147和CARPK。实验结果表明，该方法优于现有的方法。此外，论文还开放了代码。

在这个领域中，最近的相关研究包括《Few-Shot Object Detection and Viewpoint Estimation for Objects in the Wild》、《Few-Shot Object Recognition with Attention-Routing》等。