Congested Crowd Instance Localization with Dilated Convolutional Swin Transformer

DCST（人群定位）

提出问题：

微小物体&相互遮挡和模糊区域

如何在高密度人群场景中实现精确的实例定位，并缓解传统模型的特征提取能力因目标遮挡、图像模糊等而降低的问题。

解决方法：

提出了一种将transformer和传统卷积网络方法相结合的方法来解决人群定位的密集预测问题。在Swin Transformer主干中，在不同阶段插入两个扩展卷积块以扩大感受野，这有效地提高了特征提取的能力，尤其是对于人群场景中的微小对象、相互遮挡和模糊区域。

编码器：在DCST中，Swin Transformer为SwinB，其中四个阶段有2、2、18和2个Swin Transformer块。在第3和第4阶段之后，添加扩张卷积块（DCB）。DCB中两个扩张卷积层的扩张率分别为2和3

解码器：针对DCST的四个阶段，设计了四头FPN。最后，为了获得独立实例映射的高分辨率输出，应用卷积层和两个反卷积层来生成具有原始输入大小的单通道特征映射。

损失函数：

L2损失

实验结果：