论文标题：Learning To Count Everything

论文链接：https://arxiv.org/abs/2104.08391

作者单位：纽约州立大学石溪分校 & VinAI研究院

本文将计数视为few-shot回归任务，其次提出了FamNet，专用于few-shot计数任务；还提出了一个few-shot计数数据集：FSC-147，包含超过6,000个图像和147个视觉类别，代码和数据集即将开源！

现有的视觉计数工作主要一次集中在一个特定的类别上，例如人，动物和细胞。在本文中，我们感兴趣的是对所有事物进行计数，也就是说，仅考虑来自该类别的几个带注释的实例，就可以对该类别中的对象进行计数。为此，我们将计数视为几步回归任务。为解决此任务，我们提出了一种新颖的方法，该方法将查询图像与来自查询图像的几个示例对象一起，并为查询图像中所有感兴趣对象的存在预测密度图。我们还提出了一种新颖的适应策略，可以在测试时仅使用来自新颖类别的几个示例对象，使我们的网络适应任何新颖的视觉类别。我们还引入了147个对象类别的数据集，其中包含6000多个图像，适用于 few-shot计数任务。图像使用两种类型的注释（点和边界框）进行注释，它们可用于开发few-shot计数模型。在此数据集上进行的实验表明，我们的方法优于几种最先进的目标检测器和few-shot计数方法。

 

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除