摘要
低样本计数器根据图像中标注的少量或无示例来估计选定类别的对象数量。目前最先进的方法是通过对象位置密度图的总和来估计总数，但不提供单个对象的位置和大小，而这些信息对于许多应用至关重要。基于检测的计数器虽然可以解决这一问题，但在总数准确性方面却落后。此外，这两种方法在存在其他类别对象时都倾向于高估数量，因为存在大量误报。我们提出了一种基于检测和验证范式的低样本计数器DAVE（Detect-and-Verify），该方法首先生成一个高召回率的检测集，然后验证这些检测结果以识别并移除异常值。这同时提高了召回率和精确度，从而实现准确的计数。DAVE在总数平均绝对误差（MAE）上比顶级基于密度的计数器高出约20%，在检测质量上也比最新的基于检测的计数器高出约20%，并在零样本以及文本提示计数方面树立了新的最先进水平。
代码仓库
jerpelhan/dave
官方
pytorch
GitHub 中提及
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| exemplar-free-counting-on-fsc147 | DAVE | MAE(test): 15.14 MAE(val): 15.54 RMSE(test): 103.49 RMSE(val): 52.67 |
| few-shot-object-counting-and-detection-on | DAVE | AP(test): 26.81 AP50(test): 62.82 MAE(test): 10.45 RMSE(test): 74.51 |
| object-counting-on-fsc147 | DAVE | MAE(test): 8.66 MAE(val): 8.91 RMSE(test): 32.36 RMSE(val): 28.08 |