論文の概要: Towards Using Count-level Weak Supervision for Crowd Counting
- arxiv url: http://arxiv.org/abs/2003.00164v1
- Date: Sat, 29 Feb 2020 02:58:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 20:10:06.836026
- Title: Towards Using Count-level Weak Supervision for Crowd Counting
- Title（参考訳）: カウントレベル弱スーパービジョンのクラウドカウンティングへの応用
- Authors: Yinjie Lei, Yan Liu, Pingping Zhang, Lingqiao Liu
- Abstract要約: 本稿では,少数の位置レベルのアノテーション(十分に教師された)と大量のカウントレベルのアノテーション(弱教師付き)からモデルを学習する,弱教師付き群集カウントの問題について検討する。
我々は、生成した密度マップの自由を制限するための正規化を構築するために、単純なyet効果のトレーニング戦略、すなわちMultiple Auxiliary Tasks Training (MATT)を考案した。
- 参考スコア（独自算出の注目度）: 55.58468947486247
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most existing crowd counting methods require object location-level
annotation, i.e., placing a dot at the center of an object. While being simpler
than the bounding-box or pixel-level annotation, obtaining this annotation is
still labor-intensive and time-consuming especially for images with highly
crowded scenes. On the other hand, weaker annotations that only know the total
count of objects can be almost effortless in many practical scenarios. Thus, it
is desirable to develop a learning method that can effectively train models
from count-level annotations. To this end, this paper studies the problem of
weakly-supervised crowd counting which learns a model from only a small amount
of location-level annotations (fully-supervised) but a large amount of
count-level annotations (weakly-supervised). To perform effective training in
this scenario, we observe that the direct solution of regressing the integral
of density map to the object count is not sufficient and it is beneficial to
introduce stronger regularizations on the predicted density map of
weakly-annotated images. We devise a simple-yet-effective training strategy,
namely Multiple Auxiliary Tasks Training (MATT), to construct regularizes for
restricting the freedom of the generated density maps. Through extensive
experiments on existing datasets and a newly proposed dataset, we validate the
effectiveness of the proposed weakly-supervised method and demonstrate its
superior performance over existing solutions.
- Abstract（参考訳）: 既存のクラウドカウントメソッドの多くは、オブジェクトの位置レベルのアノテーション、すなわちオブジェクトの中央にドットを置く必要がある。
このアノテーションはバウンディングボックスやピクセルレベルのアノテーションよりも単純だが、特に混雑したシーンのイメージでは、依然として労働集約的で時間を要する。
一方、オブジェクトの総数しか知らない弱いアノテーションは、多くの実践的なシナリオでは、ほとんど労力がかからない。
したがって、カウントレベルのアノテーションからモデルを効果的に訓練できる学習手法を開発することが望ましい。
そこで本研究では,少数の位置レベルのアノテーション(十分に教師された)と大量のカウントレベルのアノテーション(弱教師付き)からモデルを学習する,弱教師付き群集カウントの問題について検討する。
このシナリオにおいて効果的なトレーニングを行うために,対象数への密度マップの積分を回帰させる直接解は不十分であり,弱注釈画像の予測密度マップにより強固な正則化を導入することが有用である。
本稿では,複数の補助タスクトレーニング(matt)という,簡便かつ効果的なトレーニング戦略を考案し,生成する密度マップの自由度を制限するための正規化を構築する。
既存のデータセットと新たに提案したデータセットに関する広範な実験を通じて、提案手法の有効性を検証し、既存のソリューションよりも優れた性能を示す。
関連論文リスト
- Learning Tracking Representations from Single Point Annotations [49.47550029470299]
本稿では,単一点アノテーションから追跡表現を弱教師付きで学習することを提案する。
具体的には,エンド・ツー・エンド・エンド・コントラスト学習に先立って,対象対象対象性を取り入れたソフトコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-15T06:50:58Z) - A Fixed-Point Approach to Unified Prompt-Based Counting [51.20608895374113]
本研究の目的は,ボックス,ポイント,テキストなど,さまざまなプロンプト型で示されるオブジェクトの密度マップを生成することができる包括的プロンプトベースのカウントフレームワークを確立することである。
本モデルは,クラスに依存しない顕著なデータセットに優れ,データセット間の適応タスクにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2024-03-15T12:05:44Z) - How to Efficiently Annotate Images for Best-Performing Deep Learning
Based Segmentation Models: An Empirical Study with Weak and Noisy Annotations
and Segment Anything Model [18.293057751504122]
ディープニューラルネットワーク(DNN)は多くのイメージセグメンテーションタスクにデプロイされ、優れたパフォーマンスを実現している。
セグメンテーションをトレーニングするためのデータセットを作成するのは面倒で費用がかかる。
この問題を緩和するためには、バウンディングボックスやスクリブルのような弱いラベルのみを提供するか、オブジェクトのより正確な(ノイズの多い)アノテーションを提供することができる。
論文 参考訳（メタデータ） (2023-12-17T04:26:42Z) - One-bit Supervision for Image Classification: Problem, Solution, and
Beyond [114.95815360508395]
本稿では,ラベルの少ない新しい学習環境である,画像分類のための1ビット監督について述べる。
多段階学習パラダイムを提案し、負ラベル抑圧を半教師付き半教師付き学習アルゴリズムに組み込む。
複数のベンチマークにおいて、提案手法の学習効率は、フルビットの半教師付き監視手法よりも優れている。
論文 参考訳（メタデータ） (2023-11-26T07:39:00Z) - Semi-Supervised Crowd Counting with Contextual Modeling: Facilitating Holistic Understanding of Crowd Scenes [19.987151025364067]
本稿では,信頼度の高い群集カウントモデルをトレーニングするための,新しい半教師付き手法を提案する。
モデルの本質的な'サブタイズ'能力を育み、領域の数を正確に見積もることができる。
提案手法は,従来の手法を,挑戦的ベンチマークにおいて大きな差で上回り,最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-10-16T12:42:43Z) - Few-Shot Point Cloud Semantic Segmentation via Contrastive
Self-Supervision and Multi-Resolution Attention [6.350163959194903]
数発の学習事前学習のための対照的な自己超越フレームワークを提案する。
具体的には、3Dポイントクラウドのための学習可能な拡張子を用いて、新しいコントラスト学習アプローチを実装した。
最接近点と最遠点の両方を用いて多分解能アテンションモジュールを開発し,局所点と大域点の情報をより効率的に抽出する。
論文 参考訳（メタデータ） (2023-02-21T07:59:31Z) - Semi-Supervised Crowd Counting via Self-Training on Surrogate Tasks [50.78037828213118]
本稿では,機能学習の観点から,半教師付き群集カウント問題に取り組む。
本稿では,2つの革新的なコンポーネント上に構築された,新しい半教師付き群集カウント手法を提案する。
論文 参考訳（メタデータ） (2020-07-07T05:30:53Z) - Learning to Count in the Crowd from Limited Labeled Data [109.2954525909007]
我々は,限られた数のラベル付きサンプルから参加者を数えることを学ぶことで,アノテーションの努力を減らすことに重点を置いている。
具体的には,未ラベルデータに対する擬似地下真理推定を含むガウス過程に基づく反復学習機構を提案する。
論文 参考訳（メタデータ） (2020-07-07T04:17:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。