論文の概要: Understanding Crowd Flow Movements Using Active-Langevin Model

• arxiv url: http://arxiv.org/abs/2003.05626v3
• Date: Tue, 18 Aug 2020 07:31:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 14:58:23.704675
• Title: Understanding Crowd Flow Movements Using Active-Langevin Model
• Title（参考訳）: アクティブランジュバンモデルによる群集流れの理解
• Authors: Shreetam Behera, Debi Prosad Dogra, Malay Kumar Bandyopadhyay, and Partha Pratim Roy
• Abstract要約: 密集群集の運動を記述するための物理モデルを提案する。 このモデルは、線形と非線形の両方の運動フローをセグメント化するためのコンピュータビジョン技術で拡張されている。
• 参考スコア（独自算出の注目度）: 29.65180772550527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crowd flow describes the elementary group behavior of crowds. Understanding the dynamics behind these movements can help to identify various abnormalities in crowds. However, developing a crowd model describing these flows is a challenging task. In this paper, a physics-based model is proposed to describe the movements in dense crowds. The crowd model is based on active Langevin equation where the motion points are assumed to be similar to active colloidal particles in fluids. The model is further augmented with computer-vision techniques to segment both linear and non-linear motion flows in a dense crowd. The evaluation of the active Langevin equation-based crowd segmentation has been done on publicly available crowd videos and on our own videos. The proposed method is able to segment the flow with lesser optical flow error and better accuracy in comparison to existing state-of-the-art methods.
• Abstract（参考訳）: 群衆の流れは、群衆の基本的な集団行動を記述する。 これらの動きの背後にあるダイナミクスを理解することは、群衆の様々な異常を識別するのに役立ちます。 しかし,これらのフローを記述する群集モデルの開発は難しい課題である。 本稿では,高密度群集の運動を記述するための物理モデルを提案する。 群集モデルは、流体中の活性コロイド粒子と運動点が類似していると考えられる活性ランゲヴィン方程式に基づいている。 このモデルは、密集した群れ内の線形と非線形の運動の流れを分割するコンピュータビジョン技術によってさらに拡張されている。 アクティブランジュバン方程式に基づく群衆セグメンテーションの評価は、一般公開された群衆ビデオや我々のビデオで行われている。 提案手法は,従来の最先端手法と比較して,より少ない光流誤差と精度で流れを分割できる。

関連論文リスト

• Continual Learning of Conjugated Visual Representations through Higher-order Motion Flows [21.17248975377718]
  ニューラルネットワークによる学習は、データの非i.d.な性質のため、いくつかの課題を提示している。 また、情報の流れに整合した表現を開発する新しい機会を提供する。 本稿では,複数動作による制約を受ける画素ワイド特徴の教師なし連続学習の事例について検討する。
  論文  参考訳（メタデータ） (2024-09-16T19:08:32Z)
• Social Physics Informed Diffusion Model for Crowd Simulation [17.072938818953183]
  SPDiffという社会物理学インフォームド拡散モデルを提案する。 2つの実世界のデータセットで実施された実験は、SPDiffの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-02-08T04:43:33Z)
• Segmenting the motion components of a video: A long-term unsupervised model [5.801044612920816]
  ビデオシーケンス上でのコヒーレントで安定した動作セグメンテーションを提供したいと思っています。 完全教師なし方式で動作する新しい長期光時間モデルを提案する。 4つのVOSに関する実験を報告し、競争力のある定量的結果を示した。
  論文  参考訳（メタデータ） (2023-10-02T09:33:54Z)
• Priority-Centric Human Motion Generation in Discrete Latent Space [59.401128190423535]
  テキスト・ツー・モーション生成のための優先中心運動離散拡散モデル(M2DM)を提案する。 M2DMは、コード崩壊に対処するために、グローバルな自己注意機構と正規化用語を組み込んでいる。 また、各動きトークンの重要度から決定される革新的なノイズスケジュールを用いた動き離散拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-08-28T10:40:16Z)
• Enhancing crowd flow prediction in various spatial and temporal granularities [0.02578242050187029]
  本稿では,グラフ畳み込みネットワークに基づくクラウドフロー予測のソリューションであるCrowdNetを提案する。 我々のモデルは、都市環境における人間の変位を予測・説明するための信頼性の高い深層学習モデルの設計における一歩である。
  論文  参考訳（メタデータ） (2022-03-12T12:03:47Z)
• Flowformer: Linearizing Transformers with Conservation Flows [77.25101425464773]
  本研究では,フローネットワーク理論に基づくインダクティブバイアスのないトランスフォーマーを線形化する。 ソースコンペティション用シンクの流入流と、シンクアロケーション用ソースの流出流をそれぞれ保存することにより、フローアテンションは本質的に情報的注意を発生させる。
  論文  参考訳（メタデータ） (2022-02-13T08:44:10Z)
• Efficient Modelling Across Time of Human Actions and Interactions [92.39082696657874]
  3つの畳み込みニューラルネットワーク(CNND)における現在の固定サイズの時間的カーネルは、入力の時間的変動に対処するために改善できると主張している。 我々は、アーキテクチャの異なるレイヤにまたがる機能の違いを強化することで、アクションのクラス間でどのようにうまく対処できるかを研究する。 提案手法は、いくつかのベンチマークアクション認識データセットで評価され、競合する結果を示す。
  論文  参考訳（メタデータ） (2021-10-05T15:39:11Z)
• MoCo-Flow: Neural Motion Consensus Flow for Dynamic Humans in Stationary Monocular Cameras [98.40768911788854]
  4次元連続時間変動関数を用いて動的シーンをモデル化する表現であるMoCo-Flowを紹介する。 私たちの研究の中心には、運動フロー上の運動コンセンサス正規化によって制約される、新しい最適化の定式化がある。 複雑度の異なる人間の動きを含む複数のデータセット上でMoCo-Flowを広範囲に評価した。
  論文  参考訳（メタデータ） (2021-06-08T16:03:50Z)
• Self-Supervised Learning of Non-Rigid Residual Flow and Ego-Motion [63.18340058854517]
  動的3次元シーンに対する非剛性残留流とエゴ運動流の連成推定によるエンドツーエンドのシーンフロー学習法を提案する。 我々は、点クラウドシーケンスの時間的一貫性性に基づいて、自己監督的な信号で教師付きフレームワークを拡張した。
  論文  参考訳（メタデータ） (2020-09-22T11:39:19Z)
• Perpetual Motion: Generating Unbounded Human Motion [61.40259979876424]
  我々は、長期的な予測、つまり、人間の動きの長いシーケンスを生成することに焦点を当てる。 本研究では,非決定論的,テキストに変化する,永続的な人間の動きを生成するモデルを提案する。 我々は、これをホワイトノイズガウス過程のKL分岐の重み付き関数を用いて訓練し、潜時シーケンスの時間依存性を許容する。
  論文  参考訳（メタデータ） (2020-07-27T21:50:36Z)

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。