知识卡片：深度引导的拥挤场景视频目标计数

英文标题：Depth-Guided Video Object Counting in Crowded Scenes
英文关键词：Depth-Guided Video Object Counting; RGB-D; Crowded Scene; Occlusion Prediction; Cross-Frame De-duplication; Video Object Counting
原始来源：arXiv:2608.06236v1 / DOI: 10.1145/3767308.3835482 / https://arxiv.org/abs/2608.06236v1

一句话结论

本文提出深度引导的检测器 DG-Det 和通用后处理流程，通过融合深度线索、多尺度 RGB-D 交叉注意力、显式遮挡预测与跨帧去重，在拥挤和遮挡场景的视频目标计数任务上，相比现有基线将 MAE 降低 62.01%，RMSE 也一致改善；同时发布了一个带深度信息和多类别标注的 RGB-D 视频目标计数数据集。

事件概述或研究问题

• 研究问题：在拥挤场景中进行视频目标计数，即根据给定文本或视觉提示，稳健地统计某一目标类别的所有实例。
• 现有方法主要依赖 RGB 信息，在拥挤和遮挡条件下区分能力不足。
• 本文思路：引入深度信息以增强空间理解，并设计统一去重框架解决跨帧重复计数问题。

方法/产品要点

• DG-Det：Depth-Guided Detector，核心思想是结合深度线索进行目标检测。
• 多尺度 RGB-D 交叉注意力：用于融合 RGB 与深度特征，提升对遮挡和拥挤场景的理解。
• 显式遮挡预测：帮助模型判断目标之间的遮挡关系，提升检测鲁棒性。
• 通用后处理流程：包含统一的跨帧去重框架，减少重复计数。
• 新数据集：RGB-D Video Object Counting dataset，包含深度信息，且每个序列涉及多个目标类别。
• 开源信息：代码位于 https://github.com/streamer-AP/DG-Net ；数据集位于 https://huggingface.co/datasets/aerospace123/RGBD-VideoCount

主要结果或产业意义

• 相比现有基线，MAE 降低 62.01%，RMSE 也取得一致性改善。
• 从任务设定看，该方法对视频监控、人群管理、密集场景自动计数等方向有潜在应用价值；但原文摘要未展开具体产业场景，相关落地细节待核实。

为什么重要

• 为拥挤和遮挡条件下的视频目标计数提供了“RGB + 深度”的多模态解决路径，直接回应了 RGB-only 方法的瓶颈。
• 新发布的 RGB-D 视频计数数据集可能促进后续研究，尤其是深度信息与多类别视频计数结合的方向。
• 与已有相关卡片主题无直接重叠；本条增量信息集中在“深度引导检测 + 跨帧去重”的视频计数技术方案。

局限与不确定性

• 当前材料仅有摘要，以下细节待核实：数据集规模、目标类别数量、深度图是传感器采集还是单目估计、评估协议与具体基线设置。
• “MAE 降低 62.01%”为论文作者报告结果，尚需结合完整论文和复现实验确认。
• 在深度信息缺失、深度质量较差或场景分布变化时的泛化表现，摘要中未说明，待核实。

可用于图书/PPT/简报的角度

• 技术角度：以“深度线索 + 跨帧去重”为主线，说明如何改进拥挤场景中的视频目标计数。
• 数据角度：介绍新发布的 RGB-D 视频计数数据集，强调深度信息与多类别标注对视频理解研究的价值。
• 关键数字：MAE 降低 62.01%，RMSE 一致改善，代码与数据集均已开源。

原始材料

• 英文标题：Depth-Guided Video Object Counting in Crowded Scenes
• arXiv ID：2608.06236v1
• 作者：Yuanjing Xu, Xinyan Liu, Weidong Chen, Zixuan Zou, Linhao Zhang, Zhuangzhe Meng, Antoni B. Chan, Weigang Zhang
• 发表时间：2026-08-06
• 分类：cs.CV, cs.AI
• DOI：10.1145/3767308.3835482
• 摘要链接：https://arxiv.org/abs/2608.06236v1
• PDF 链接：https://arxiv.org/pdf/2608.06236v1
• 代码：https://github.com/streamer-AP/DG-Net
• 数据集：https://huggingface.co/datasets/aerospace123/RGBD-VideoCount