초록
소수 샘플 객체 카운팅은 주어진 예시 이미지와 같은 클래스에 속하는 쿼리 이미지 내의 객체 수를 세는 것을 목표로 합니다. 기존 방법들은 쿼리 이미지와 예시 이미지 간의 2D 공간 영역에서 유사성을 계산하고 회귀를 수행하여 카운팅 수를 얻습니다. 그러나 이러한 방법들은 예시 이미지 상의 유사성 공간 분포에 대한 풍부한 정보를 간과하여 매칭 정확도에 큰 영향을 미칩니다. 이 문제를 해결하기 위해, 우리는 소수 샘플 객체 카운팅을 위한 Spatial Similarity Distribution (SSD) 학습 네트워크를 제안합니다. 이 네트워크는 예시 특징들의 공간 구조를 유지하며, 쿼리 특징과 예시 특징 간의 점 대 점 4D 유사성 피라미드를 계산하여 4D 유사성 공간에서 각 점의 완전한 분포 정보를 포착합니다. 또한, 우리는 효율적인 중심 기준 4D 컨볼루션을 유사성 피라미드에 적용하여 다양한 유사성 분포를 서로 다른 예측 밀도 값으로 매핑하는 Similarity Learning Module (SLM)을 제안합니다. 이를 통해 정확한 카운팅 결과를 얻을 수 있습니다. 더불어, 우리는 쿼리와 예시 특징을 상호적으로 강화하여 특징 매칭의 정확도를 개선하는 Feature Cross Enhancement (FCE) 모듈도 소개합니다. 우리의 접근법은 FSC-147 및 CARPK 등 여러 데이터셋에서 최신 연구 방법들을 능가하는 성능을 보입니다. 코드는 https://github.com/CBalance/SSD에서 제공됩니다.