論文の概要: Over-crowdedness Alert! Forecasting the Future Crowd Distribution

• arxiv url: http://arxiv.org/abs/2006.05127v1
• Date: Tue, 9 Jun 2020 08:59:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 15:02:04.200959
• Title: Over-crowdedness Alert! Forecasting the Future Crowd Distribution
• Title（参考訳）: 過密性アラート! 今後の人口分布予測
• Authors: Yuzhen Niu, Weifeng Shi, Wenxi Liu, Shengfeng He, Jia Pan, Antoni B. Chan
• Abstract要約: 提案手法は,クラウドビデオの逐次的フレームを識別アノテーションを使わずに,近い将来に群衆の分布を予測することを目的として,新しい群集解析問題を定式化したものである。 この問題を解決するために, 連続する群集映像フレームを入力とし, 対応する密度マップを補助情報として利用するグローバルな2ストリームリカレントネットワークを提案する。
• 参考スコア（独自算出の注目度）: 87.12694319017346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, vision-based crowd analysis has been studied extensively due to its practical applications in real world. In this paper, we formulate a novel crowd analysis problem, in which we aim to predict the crowd distribution in the near future given sequential frames of a crowd video without any identity annotations. Studying this research problem will benefit applications concerned with forecasting crowd dynamics. To solve this problem, we propose a global-residual two-stream recurrent network, which leverages the consecutive crowd video frames as inputs and their corresponding density maps as auxiliary information to predict the future crowd distribution. Moreover, to strengthen the capability of our network, we synthesize scene-specific crowd density maps using simulated data for pretraining. Finally, we demonstrate that our framework is able to predict the crowd distribution for different crowd scenarios and we delve into applications including predicting future crowd count, forecasting high-density region, etc.
• Abstract（参考訳）: 近年,実世界における実用的応用により,視覚に基づく群集分析が広く研究されている。 そこで,本稿では,群衆映像の逐次フレームに対して,個人識別を必要とせず,近い将来の群衆分布を予測することを目的とした,新しい群集分析問題を提案する。 本研究は,観衆の動態を予測するアプリケーションに有効である。 この問題を解決するために, 連続する群集映像フレームを入力とし, 対応する密度マップを補助情報として利用し, 将来の群集分布を予測するグローバルな2ストリームリカレントネットワークを提案する。 さらに,ネットワークの能力を高めるため,事前学習のためのシミュレーションデータを用いて,シーン特異的群集密度マップを合成する。 最後に,本フレームワークは,様々な群集シナリオの群集分布を予測できることを示すとともに,将来の群集数予測や高密度領域の予測などのアプリケーションについても検討する。

関連論文リスト

• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Sinkhorn-Flow: Predicting Probability Mass Flow in Dynamical Systems Using Optimal Transport [89.61692654941106]
  そこで本稿では, 最適な輸送手段を用いて, 時間とともにそのような物質流を予測する新しい手法を提案する。 我々は、ソーシャルネットワークの設定において、コミュニティがどのように進化していくかを予測するタスクに、我々のアプローチを適用した。
  論文  参考訳（メタデータ） (2023-03-14T07:25:44Z)
• Multi-view Tracking Using Weakly Supervised Human Motion Prediction [60.972708589814125]
  さらに効果的なアプローチは、時間とともに人々の動きを予測し、それらから個々のフレームにおける人々の存在を推定することである、と我々は主張する。 これにより、時間とともに、また1つの時間フレームのビューにわたって一貫性を強制できる。 PETS2009およびWILDTRACKデータセットに対する我々のアプローチを検証するとともに、最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-19T17:58:23Z)
• 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)
• Scene-Adaptive Attention Network for Crowd Counting [31.29858034122248]
  本稿では,シーン適応型アテンションネットワークであるSAANetを提案する。 本研究では,変形可能なサンプリング位置と動的注意重みを持つ適応的特徴表現を学習するトランスフォーマーバックボーンの設計を行う。 我々は,4つの挑戦的群集カウントベンチマークについて広範な実験を行い,その手法が最先端のパフォーマンスを達成できることを実証した。
  論文  参考訳（メタデータ） (2021-12-31T15:03:17Z)
• Urban Crowdsensing using Social Media: An Empirical Study on Transformer and Recurrent Neural Networks [0.7090165638014329]
  我々は、利用可能なソーシャルメディアデータセットを活用し、これらを2つの都市センシング問題の基盤として利用する。 この研究の主な貢献の1つは、TwitterとFlickrから収集したデータセットです。 2つの予備的な教師付き学習手法を用いて,本データセットの有用性を示す。
  論文  参考訳（メタデータ） (2020-12-05T15:36:50Z)
• Uncertainty Estimation and Sample Selection for Crowd Counting [87.29137075538213]
  予測された密度マップに関連する不確実性値とともに,群衆密度マップを予測できる画像に基づく群集カウント手法を提案する。 既存のクラウドカウント手法に比べて,提案手法の重要な利点は,予測の不確かさを定量化できることである。 サンプル選択戦略は、ソースドメイン上でトレーニングされたカウントネットワークをターゲットドメインに適応させるために必要なラベル付きデータの量を劇的に削減することを示す。
  論文  参考訳（メタデータ） (2020-09-30T03:40:07Z)
• Deep multi-stations weather forecasting: explainable recurrent convolutional neural networks [4.213427823201119]
  モデルに自己注意を加えることで、全体の予測性能が向上することを示す。 本稿では,ヨーロッパ18都市の日次収集データから天気予報を行うため,異なる2つのディープラーニングアーキテクチャを比較した。
  論文  参考訳（メタデータ） (2020-09-23T16:22:25Z)
• CNN-based Density Estimation and Crowd Counting: A Survey [65.06491415951193]
  本稿では,主にCNNに基づく密度マップ推定法において,群集数モデルについて包括的に検討する。 評価指標から, 観客数データセットで上位3人のパフォーマーを選択した。 我々は、今後のクラウドカウントの展開について、合理的な推測と予測を行うことを期待する。
  論文  参考訳（メタデータ） (2020-03-28T13:17:30Z)
• Understanding Crowd Behaviors in a Social Event by Passive WiFi Sensing and Data Mining [21.343209622186606]
  本研究では,大規模社会イベントにおける群集行動に関連する3種類のパターンを抽出する包括的データ分析フレームワークを提案する。 まず,移動体の軌跡を探索要求から抽出し,群衆の動きの空間的パターンを明らかにする。 次に、k-meansとk-shapeクラスタリングアルゴリズムを適用し、群衆を訪れる時間パターンを日と場所によって抽出する。
  論文  参考訳（メタデータ） (2020-02-05T03:36:00Z)

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。