专栏首页arxiv.org翻译专栏从粗到细:通过对抗性评分网络进行域自适应人群计数

从粗到细:通过对抗性评分网络进行域自适应人群计数

最近的深度网络已经令人信服地展示了在人群计数方面的高能力,这是一项关键的任务,由于其各种工业应用而引起了广泛的关注。尽管取得了这样的进展,但由于固有的领域转移,训练好的依赖数据的模型通常不能很好地归纳到未见过的场景。为了促进这一问题的解决,本文提出了一种新型的对抗性评分网络(ASNet),以逐步缩小从粗粒度到细粒度的跨域差距。具体来说,在粗粒度阶段,我们设计了一个双鉴别器策略,通过对抗性学习使源域从全局和局部特征空间的角度接近目标。这样,两个域之间的分布就可以大致一致了。在细粒度阶段,我们根据粗粒度阶段得出的生成概率,从多个层面对源样本与目标样本的相似程度进行评分,从而探索源特征的可转移性。在这些分层评分的指导下,可转移的源特征被适当选择,以加强适应过程中的知识转移。通过从粗到细的设计,由领域差异引起的泛化瓶颈可以得到有效缓解。三组迁移实验表明,与主要的无监督方法相比,提出的方法达到了最先进的计数性能。

原文标题:Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring Network

原文:

Recent deep networks have convincingly demonstrated high capability in crowd counting, which is a critical task attracting widespread attention due to its various industrial applications. Despite such progress, trained data-dependent models usually can not generalize well to unseen scenarios because of the inherent domain shift. To facilitate this issue, this paper proposes a novel adversarial scoring network (ASNet) to gradually bridge the gap across domains from coarse to fine granularity. In specific, at the coarse-grained stage, we design a dual-discriminator strategy to adapt source domain to be close to the targets from the perspectives of both global and local feature space via adversarial learning. The distributions between two domains can thus be aligned roughly. At the fine-grained stage, we explore the transferability of source characteristics by scoring how similar the source samples are to target ones from multiple levels based on generative probability derived from coarse stage. Guided by these hierarchical scores, the transferable source features are properly selected to enhance the knowledge transfer during the adaptation process. With the coarse-to-fine design, the generalization bottleneck induced from the domain discrepancy can be effectively alleviated. Three sets of migration experiments show that the proposed methods achieve state-of-the-art counting performance compared with major unsupervised methods.

原文链接:https://arxiv.org/pdf/2107.12858.pdf

原文作者:Zhikang Zou, Xiaoye Qu, Pan Zhou, Shuangjie Xu, Xiaoqing Ye, Wenhao Wu, Jin Ye

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 2018 年最棒的三篇 GAN 论文

    今年我很荣幸能参与到一个研究项目中,它要求我熟悉大量计算机视觉深度学习相关论文,让我深入到这个领域中学习,在此过程中,对于该领域在近两三年时间里所取得进步,我深...

    AI科技评论
  • 学界 | CVPR 2018接收论文公布,上海交通大学6篇论文简介

    机器之心报道 作者:吴欣 不久之前,CVPR 2018 论文接收列表公布。据机器之心了解,上海交通大学电子系人工智能实验室倪冰冰教授课题组有 6 篇论文入选,本...

    机器之心
  • 大会 | 腾讯优图CVPR 2018论文:图片去模糊及快速肖像处理等多项技术解读

    AI 科技评论按:CVPR 2018 将在美国盐湖城举行。腾讯优图实验室继在 ICCV 有 12 篇论文被收录(含 3 篇口头报告)后,在今年的 CVPR 20...

    AI科技评论
  • [计算机视觉论文速递] 2018-05-08

    [1]《DCAN: Dual Channel-wise Alignment Networks for Unsupervised Scene Adaptation...

    Amusi
  • 【重磅】AI 学会“脑补”:神经网络超逼真图像补完从 0 到 1

    1 新智元编译 来源:arXiv、Github 编译:张易 【新智元导读】自动图像补全是计算机视觉和图形领域几十年来的研究热点和难点。在神经网络的帮助下,来...

    新智元
  • CVPR 2018摘要:第三部分

    CVPR 2018(计算机视觉和模式识别)会议已经结束,但我们不能停止回顾其精彩的论文; 今天,我们学习第三部分。在第一部分中,我们简要回顾了2018年CVPR...

    AI研习社
  • AI和大数据如何落地智能城市?京东城市这6篇论文必读 | KDD 2019

    作为世界数据挖掘领域的最高级别的学术会议,ACM SIGKDD(国际数据挖掘与知识发现大会,简称 KDD)将于 2019 年 8 月 4 日—8 日在美国阿拉斯...

    AI科技大本营
  • CVPR 2018:腾讯图像去模糊、自动人像操纵最新研究

    新智元
  • Ross、何恺明等人提出PointRend:渲染思路做图像分割,显著提升Mask R-CNN性能

    实例分割是计算机视觉任务中一个重要的任务。传统的示例分割方法输入图像,并对图像的每个像素点进行预测,推断像素点所属的实例标签,并区分属于不同实例的像素点。然而,...

    机器之心
  • CVPR 2021 | 腾讯优图20篇论文入选,含人脸识别、时序动作定位、视频动作分割等领域

    计算机视觉世界三大顶会之一的CVPR 2021论文接收结果出炉!本次大会收到来自全球共7015篇有效投稿,最终有1663篇突出重围被录取,录用率约为23.7%。...

    优图实验室
  • 学界 | 牛津大学ICCV 2017 Workshop论文:利用GAN的单视角图片3D建模技术

    选自arXiv 机器之心编译 参与:李泽南 对于现实世界物体的 3D 建模是很多工作中都会出现的任务。目前流行的方法通常需要对于目标物体进行多角度测量,这种方法...

    机器之心
  • 学界!关于GAN的灵魂七问

    根据一些指标显示,关于生成对抗网络(GAN)的研究在过去两年间取得了本质的进步。在图像合成模型实践中的进步快到几乎无法跟上。

    磐创AI
  • 关于GAN的灵魂七问

    根据一些指标显示,关于生成对抗网络(GAN)的研究在过去两年间取得了本质的进步。在图像合成模型实践中的进步快到几乎无法跟上。

    大数据文摘
  • 何恺明团队又出神作:将图像分割视作渲染问题,性能显著提升!

    Facebook人工智能实验室Alexander Kirillov、吴育昕、何恺明、Ross Girshick等研究人员近日发表新论文,提出一种高效、高质量的目...

    新智元
  • 从Yoav Goldberg与Yann LeCun争论,看当今的深度学习、NLP与arXiv风气

    选自Medium、Facebook 机器之心编译 作者:Yoav Goldberg、Yann LeCun 参与:黄小天、吴攀、晏奇 最近,来自以色列 Bar ...

    机器之心
  • CVPR 2019 | 百度17篇论文入选,AI巨头都在关注什么?(附论文下载)

    计算机视觉和模式识别大会CVPR 2019即将于6月在美国长滩召开,作为人工智能领域计算机视觉方向的重要学术会议,CVPR每年都会吸引全球最顶尖的学术机构和公司...

    数据派THU
  • 17篇论文入选CVPR 2019,百度AI都在关注什么?(附论文地址)

    计算机视觉和模式识别大会CVPR 2019即将于6月在美国长滩召开,作为人工智能领域计算机视觉方向的重要学术会议,CVPR每年都会吸引全球最顶尖的学术机构和公司...

    AI科技大本营
  • 专访中国香港大学罗平:师从汤晓鸥、王晓刚,最早将深度学习应用于计算机视觉的「先行者」

    虽然 ICCV 2019 落幕已近两周,但是这场对于华人研究者而言具备「转折点」意义的国际学术顶会在大家心中掀起的波澜,想必依旧未了。

    AI科技评论
  • 渐进式图像重构网络:像画画一样重构图像

    图像重构(IR)对物理与生命科学领域的图像应用软件来说至关重要,其目的在于根据 ground truth 图像抽取出的的各类信息对图像进行重构。

    机器之心

扫码关注云+社区

领取腾讯云代金券