AudioVisual 人群计数

一个用于人群计数的新数据集，该数据集由中国不同位置的大约 2000 个带注释的图像令牌组成，每个图像对应一个 1 秒的音频剪辑和一个密度图A novel dataset for crowd counting, composed of approximately 2,000 annotated image tokens collected from various locations across China, with each image corresponding to a 1-second audio clip and a density map.

搜集汇总

背景与挑战

背景概述

AudioVisual 人群计数是一个多模态人群计数数据集，包含约2000个来自中国不同位置、具有多样照明条件的图像，每个图像都配有1秒的音频剪辑和密度图注释，适用于在极端条件下进行人群计数研究。