DISCOUNT: Counting in Large Image Collections with Detector-Based Importance Sampling

文章总结与翻译

一、主要内容

本文针对大规模图像集合中目标计数的需求，提出了一种基于检测器的重要性采样框架DISCOUNT，旨在解决复杂场景下计数模型准确率不足、人工标注成本高的问题。

核心背景

许多实际应用（如灾害响应中的受损建筑计数、气候变化研究中的鸟类栖息地计数）需要对海量图像进行目标计数，但由于领域偏移等问题，预训练检测器性能有限，且纯人工计数或模型训练成本极高，因此需要人机协同的高效计数方案。

核心方法

1. DISCOUNT框架：利用不完美的检测器生成近似计数，结合人工筛选进行重要性采样，通过校正因子得到无偏且低方差的计数估计，支持用户在估计精度足够时停止筛选。
2. 多区域计数扩展（k-DISCOUNT）：针对多个空间或时间区域的计数需求，提出联合采样策略，而非单独处理每个区域，实现样本的最优分配，提升多区域计数效率。
3. 方差 reduction 与置信区间：引入控制变量技术降低方差，并构建置信区间，帮助用户判断所需的人工筛选工作量。

实验验证

在两个真实场景中验证：

• 天气雷达图像中的鸟类栖息地计数（用于气候变化研究）；
• 自然灾害后卫星图像中的受损建筑计数（用于灾害响应）。
  结果表明，与朴素筛选和基于协变量的采样方法（IS-Count）相比，DISC