準確地估計一幅圖像中物體的數量是一項具有挑戰性而又有意義的工作，并已在城市規劃和公共安全等諸多領域得到了應用。在各種對象計數任務中，人群計數因其對社會保障和發展的特殊意義而顯得尤為突出。幸運的是，人群計數技術的發展可以推廣到其他相關領域，如車輛計數和環境調查，如果不考慮他們的特點。因此，許多研究者致力于人群計數，涌現出許多優秀成果。在這些工作中，它們對人群計數的發展一定是有幫助的。然而，我們應該考慮的問題是，為什么它們對這項任務是有效的。由于時間和精力的限制，我們無法分析所有的算法。在本文中，我們調查了220+工作，對人群計數模型進行了全面、系統的研究，主要是基于CNN的密度圖估計方法。最后，根據評價指標，我們在人群統計數據集中選取了表現最好的前三名，并對其優缺點進行了分析。通過我們的分析，我們希望對人群計數的未來發展做出合理的推斷和預測，同時也可以為其他領域的對象計數問題提供可行的解決方案。我們提供了NWPU數據集驗證集中一些主流算法的密度圖和預測結果，以供比較和測試。同時，還提供了密度圖生成和評價工具。所有的代碼和評估結果在//github.com/guangshuai/survey-forcrowd -counting上公開。
概述
在過去的幾十年里，越來越多的研究社區將物體計數問題作為主要的研究方向，因此，許多作品被發表來計算圖像或視頻中物體的數量，這些作品跨越了各種各樣的領域，如人群計數，細胞顯微，樹葉，環境調查。在所有這些領域中，人群計數是至關重要的，在一些人群場景中，如人群分析和視頻監控中，人群計數對于構建更高層次的認知能力至關重要。隨著世界人口的不斷增長和隨之而來的城市化，在許多場合，如游行、音樂會和體育場，人群迅速聚集。在這些場景中，人群計數對于社會安全和控制管理起著不可或缺的作用。
考慮到上述人群計數的特殊重要性，越來越多的研究人員嘗試設計各種復雜的項目來解決人群計數的問題。特別是在過去的五年中，隨著深度學習的出現，基于卷積神經網絡(CNNs)的模型在各種計算機視覺任務中占據了壓倒性的主導地位，包括人群計數。雖然不同的任務有其獨特的屬性，但也存在共同的特征，如結構特征和分布模式。幸運的是，人群計數技術可以通過特定的工具擴展到其他領域。因此，本文希望通過對人群計數任務的深度挖掘，特別是基于CNN的密度估計和人群計數模型，為其他任務提供合理的解決方案。我們的調查旨在涉及各個部分，從一些有趣的尚未探索的研究方向的算法分類。除了對現有的基于CNN的人群計數和密度估計模型、代表數據集和評價指標進行分類審查外，還研究了一些在很大程度上影響設計模型性能的因素和屬性，如干擾因素和陰性樣本。我們在NWPU數據集的驗證集[wang2020nwpu]中提供了一些主流算法的密度圖和預測結果進行對比和測試。同時，還提供了密度圖生成和評價工具。所有的代碼和評估結果在 -counting上公開。
本文貢獻：
-
全面、系統地從各個方面進行綜述。我們根據網絡結構、監督形式、學習范式等幾個分類對基于cnn的模型進行了分類。分類可以通過對基于cnn的方法的關鍵技術的深入了解來激勵研究。
-
基于屬性的性能分析。在分析SOTA方法性能的基礎上，分析了SOTA方法性能良好的原因和使用的技術。此外，我們還討論了促使研究人員設計更有效算法的各種挑戰因素。
-
開放的問題和未來的方向。通過對模型設計、數據集收集和一些具有領域自適應或遷移學習的其他領域的推廣等重要問題的研究，探索了未來一些有前景的研究方向。
付費5元查看完整內容
相關內容
智能視頻監控(IVS)是當前計算機視覺和機器學習領域的一個活躍研究領域，為監控操作員和取證視頻調查者提供了有用的工具。人的再識別(PReID)是IVS中最關鍵的問題之一，它包括識別一個人是否已經通過網絡中的攝像機被觀察到。PReID的解決方案有無數的應用，包括檢索顯示感興趣的個體的視頻序列，甚至在多個攝像機視圖上進行行人跟蹤。文獻中已經提出了不同的技術來提高PReID的性能，最近研究人員利用了深度神經網絡(DNNs)，因為它在類似的視覺問題上具有令人信服的性能，而且在測試時執行速度也很快。鑒于再識別解決方案的重要性和廣泛的應用范圍，我們的目標是討論在該領域開展的工作，并提出一項最先進的DNN模型用于這項任務的調查。我們提供了每個模型的描述以及它們在一組基準數據集上的評估。最后，我們對這些模型進行了詳細的比較，并討論了它們的局限性，為今后的研究提供了指導。
付費5元查看完整內容
摘要： 大數據時代,數據呈現維度高、數據量大和增長快等特點。如何有效利用其中蘊含的有價值信息,以實現數據的智能化處理,已成為當前理論和應用的研究熱點。針對現實普遍存在的多義性對象,數據多標簽被提出并被廣泛應用于數據智能化組織。近年來,深度學習在數據特征提取方面呈現出高速、高精度等優異性,使基于深度學習的多標簽生成得到廣泛關注。文中分五大類別總結了最新研究成果,并進一步從數據、關系類型、應用場景、適應性及實驗性能方面對其進行對比和分析,最后探討了多標簽生成面臨的挑戰和未來的研究方向。
付費5元查看完整內容
目標檢測
·
目標檢測的任務是從圖像中精確且高效地識別、定位出大量預定義類別的物體實例。隨著深度學習的廣泛應用，目標檢測的精確度和效率都得到了較大提升，但基于深度學習的目標檢測仍面臨改進與優化主流目標檢測算法的性能、提高小目標物體檢測精度、實現多類別物體檢測、輕量化檢測模型等關鍵技術的挑戰。針對上述挑戰，本文在廣泛文獻調研的基礎上，從雙階段、單階段目標檢測算法的改進與結合的角度分析了改進與優化主流目標檢測算法的方法，從骨干網絡、增加視覺感受野、特征融合、級聯卷積神經網絡和模型的訓練方式的角度分析了提升小目標檢測精度的方法，從訓練方式和網絡結構的角度分析了用于多類別物體檢測的方法，從網絡結構的角度分析了用于輕量化檢測模型的方法。此外，對目標檢測的通用數據集進行了詳細介紹，從4個方面對該領域代表性算法的性能表現進行了對比分析，對目標檢測中待解決的問題與未來研究方向做出預測和展望。目標檢測研究是計算機視覺和模式識別中備受青睞的熱點，仍然有更多高精度和高效的算法相繼提出，未來將朝著更多的研究方向發展。
付費5元查看完整內容
【導讀】對抗攻擊防御研究用于提升深度學習的魯棒性，是當下的關注焦點。最近，中山大學等學者發布了最新關于圖對抗學習綜述論文，19頁pdf83篇文獻，對在圖形分析任務中對現有的攻防工作進行了梳理和統一，同時給出了適當的定義和分類。此外，我們強調了相關評價指標的重要性，并對其進行了全面的調查和總結。
圖數據的深度學習模型在節點分類、鏈路預測、圖數據聚類等各種圖數據分析任務中都取得了顯著的效果。然而，它們暴露了對于設計良好輸入的不確定性和不可靠性, 對抗樣本。因此，在不同的圖數據分析任務中，出現了各種攻擊和防御的研究，從而導致了圖數據對抗學習中的競爭。例如，攻擊者有投毒和逃避攻擊，防御組相應地有基于預處理和對抗的方法。
盡管工作蓬勃發展，但仍然缺乏統一的問題定義和全面的調研綜述。為了彌補這一不足，我們對已有的關于圖對抗學習任務的研究進行了系統的總結。具體來說，我們在圖形分析任務中對現有的攻防工作進行了梳理和統一，同時給出了適當的定義和分類。此外，我們強調了相關評價指標的重要性，并對其進行了全面的調查和總結。希望我們的工作可以為相關研究者提供參考，為他們的研究提供幫助。更多關于我們工作的細節，
請訪問
//github.com/gitgiter/Graph-Adversarial-Learning
在過去的幾十年里，深度學習已經成為人工智能領域的皇冠上的寶石，在語音和語言處理[72,18]、人臉識別[45]和目標檢測[33]等各種應用中都表現出了令人印象深刻的表現。然而，最近頻繁使用的深度學習模型被證明是不穩定和不可靠的，因為它們容易受到干擾。例如，一張圖片上幾個像素的細微變化，對于人眼來說是難以察覺的，但是對于深度學習模型[44]的輸出卻有很大的影響。此時，定義良好并通過反向傳播學習的深度學習模型具有固有的盲點和非直觀特征，應該以明顯的[59]方式推廣到數據分布中。
圖作為一種強大的表示方法，在現實的[25]中有著重要的作用和廣泛的應用。當然，深度學習對圖形的研究也是一個熱門話題，并在不同的領域帶來了許多令人耳目一新的實現，如社交網絡[46]、電子商務網絡[64]和推薦系統[14,71]。不幸的是，作為機器學習關鍵領域的圖分析領域也暴露了深度學習模型在受到精心設計的攻擊時的脆弱性[81,83]。例如，考慮到節點分類的任務，攻擊者通常控制多個假節點，目的是欺騙目標分類器，通過在這些節點與其他良性節點之間添加或刪除邊緣，從而導致誤分類。通常，這些惡意節點被稱為“攻擊者節點”，而其他受害節點被稱為“受影響節點”。如圖1所示，在一個干凈的圖上執行了小的擾動(增加了兩個鏈接，改變了幾個節點的特征)，這導致了圖學習模型的錯誤分類。
隨著對圖數據模型安全性的日益關注，圖數據對抗學習的研究也隨之興起。，一個研究圖數據模型安全性和脆弱性的領域。一方面，從攻擊圖數據學習模型的角度出發，[81]首先研究了圖數據的對抗性攻擊，在節點特征和圖結構受干擾較小的情況下，目標分類器容易對指定的節點進行欺騙和誤分類。另一方面，[65]提出了一種改進的圖卷積網絡(GCNs)模型，該模型具有對抗防御框架，以提高魯棒性。此外，[55]研究了現有的圖數據攻防對抗策略的工作，并討論了它們的貢獻和局限性。然而，這些研究主要集中在對抗性攻擊方面，而對防御方面的研究較少。
挑戰 盡管關于圖表對抗學習的研究大量涌現，但仍然存在一些需要解決的問題。i) 統一與具體的形式化。目前的研究都是將圖對抗學習的問題定義和假設用自己的數學形式化來考慮，大多沒有詳細的解釋，這使得比較和跟進更加困難。ii) 相關評價指標。而對于不同的任務，對應性能的評價指標也有很大的不同，甚至有不同的標準化。此外，圖對抗學習場景的特殊度量還沒有被探索，例如，對攻擊影響的評估。
對于公式和定義不一致的問題，我們考察了現有的攻防工作，給出了統一的定義，并從不同的角度進行了劃分。雖然已經有了一些努力[81,37,19]來概括定義，但大多數公式仍然對自己的模型進行定制。到目前為止，只有一篇文章[55]從綜述的角度概述了這些概念，這不足以全面總結現有的工作。在前人研究的基礎上，我們總結了不同類型的圖，并按層次介紹了三個主要任務，分別在3.1節和4.1節給出了攻擊和防御的統一公式。
自然地，不同的模型伴隨著許多量化的方法，其中提供了一些新的度量。為了幫助研究人員更好地量化他們的模型，也為了系統地總結度量標準，我們在第5節中對度量標準進行了更詳細的討論。特別地，我們首先介紹了防御和攻擊的一些常見度量，然后介紹了它們各自工作中提供的三個類別的度量:有效性、效率和不可感知性。例如，攻擊成功率(ASR)[9]和平均防御率(ADR)[10]分別被用來衡量攻擊和防御的有效性。
綜上所述，我們的貢獻如下:
- 我們深入研究了這一領域的相關工作，并對當前防御和攻擊任務中不統一的概念給出了統一的問題公式和明確的定義。
- 我們總結了現有工作的核心貢獻，并根據防御和攻擊任務中合理的標準，從不同的角度對其進行了系統的分類。
- 我們強調了相關指標的重要性，并對其進行了全面的調查和總結。
- 針對這一新興的研究領域，我們指出了現有研究的局限性，并提出了一些有待解決的問題
付費5元查看完整內容
自然語言處理(NLP)幫助智能機器更好地理解人類語言，實現基于語言的人機交流。計算能力的最新發展和大量語言數據的出現，增加了使用數據驅動方法自動進行語義分析的需求。由于深度學習方法在計算機視覺、自動語音識別，特別是NLP等領域的應用取得了顯著的進步，數據驅動策略的應用已經非常普遍。本調查對得益于深度學習的NLP的不同方面和應用進行了分類和討論。它涵蓋了核心的NLP任務和應用，并描述了深度學習方法和模型如何推進這些領域。我們進一步分析和比較不同的方法和最先進的模型。
付費5元查看完整內容
最近數據采集工具的技術進步使生命科學家能夠從不同的生物應用領域獲取多模式數據。大致分為三種類型（即序列，圖像和信號），這些數據數量巨大且性質復雜。挖掘如此大量的數據用于模式識別是一項巨大的挑戰，需要復雜的數據密集型機器學習技術。基于人工神經網絡的學習系統以其模式識別能力而聞名，最近它們的深度架構-稱為深度學習（DL）-已成功應用于解決許多復雜的模式識別問題。本文調研了DL在識別生物數據模式中的作用，提供了-DL在生物序列，圖像和信號數據中的應用；這些數據的開放獲取源的概述；適用于這些數據的開源DL工具的描述；并從定性和定量的角度比較這些工具。最后，它概述了挖掘生物數據的一些開放式研究挑戰，并提出了一些可能的未來前景。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191