文件名称：DM-Count:NeurIPS 2020论文代码
文件大小：152.79MB
文件格式：ZIP
更新时间：2024-06-12 17:07:15
Python
DM计数 人群分布计数匹配的论文（NeurIPS，聚焦）的Pytorch正式实施。 | 我们建议对人群计数（DM计数）使用分布匹配。 在DM-Count中，我们使用最佳运输（OT）来测量归一化的预测密度图和归一化的地面真实密度图之间的相似性。 为了稳定OT计算，我们在模型中包括了总变化损失。 我们表明，DM-Count的泛化误差范围比高斯平滑方法的泛化误差范围更严格。 从经验上讲，我们的方法在四个具有挑战性的人群计数数据集：UCF-QNRF，NWPU，ShanghaiTech和UCF-CC50上，大大优于最新方法。 先决条件 Python 3.x 火炬> = 1.2 对于其他库，请检查requirements.txt。 入门 数据集下载 QNRF可以在下载 NWPU可以在下载 可以在下载Shanghai Tech A部分和B部分 数据预处理 由于QNRF和NWPU数据集中的图像很
【文件预览】：
DM-Count-master
----train_helper.py(10KB)
----preprocess()
--------preprocess_dataset_nwpu.py(6KB)
--------qnrf_train.txt(14KB)
--------__init__.py(0B)
--------preprocess_dataset_qnrf.py(3KB)
--------qnrf_val.txt(2KB)
----.gitattributes(42B)
----train.py(3KB)
----utils()
--------log_utils.py(638B)
--------__init__.py(0B)
--------pytorch_utils.py(2KB)
----test.py(3KB)
----preprocess_dataset.py(884B)
----losses()
--------__init__.py(1B)
--------bregman_pytorch.py(17KB)
--------ot_loss.py(3KB)
----requirements.txt(153B)
----example_images()
--------3.png(323KB)
--------1.png(287KB)
--------2.png(108KB)
----models.py(2KB)
----datasets()
--------crowd.py(8KB)
--------__init__.py(0B)
----LICENSE(1KB)
----demo.py(2KB)
----README.md(3KB)
----pretrained_models()
--------model_nwpu.pth(82.02MB)
--------model_qnrf.pth(82.02MB)