論文の概要: Semi-Supervised Crowd Counting via Self-Training on Surrogate Tasks

• arxiv url: http://arxiv.org/abs/2007.03207v2
• Date: Sat, 18 Jul 2020 06:40:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 19:50:11.133712
• Title: Semi-Supervised Crowd Counting via Self-Training on Surrogate Tasks
• Title（参考訳）: サーロゲートタスクの自己学習による半教師付き群衆数
• Authors: Yan Liu, Lingqiao Liu, Peng Wang, Pingping Zhang, and Yinjie Lei
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 50.78037828213118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most existing crowd counting systems rely on the availability of the object location annotation which can be expensive to obtain. To reduce the annotation cost, one attractive solution is to leverage a large number of unlabeled images to build a crowd counting model in semi-supervised fashion. This paper tackles the semi-supervised crowd counting problem from the perspective of feature learning. Our key idea is to leverage the unlabeled images to train a generic feature extractor rather than the entire network of a crowd counter. The rationale of this design is that learning the feature extractor can be more reliable and robust towards the inevitable noisy supervision generated from the unlabeled data. Also, on top of a good feature extractor, it is possible to build a density map regressor with much fewer density map annotations. Specifically, we proposed a novel semi-supervised crowd counting method which is built upon two innovative components: (1) a set of inter-related binary segmentation tasks are derived from the original density map regression task as the surrogate prediction target; (2) the surrogate target predictors are learned from both labeled and unlabeled data by utilizing a proposed self-training scheme which fully exploits the underlying constraints of these binary segmentation tasks. Through experiments, we show that the proposed method is superior over the existing semisupervised crowd counting method and other representative baselines.
• Abstract（参考訳）: 既存のクラウドカウントシステムのほとんどは、取得にコストがかかるオブジェクトロケーションアノテーションの可用性に依存している。 アノテーションのコストを下げるために、多くのラベルのない画像を活用して、半教師付きで群衆カウントモデルを構築するという、魅力的な解決策がある。 本稿では,特徴学習の観点から,半教師あり群数問題に取り組む。 私たちのキーとなるアイデアは、未ラベルの画像を利用して、群衆カウンターのネットワーク全体ではなく、一般的な特徴抽出器を訓練することです。 この設計の理論的根拠は、特徴抽出器の学習が、ラベルなしデータから生じる避けられない騒音の監視に向けて、より信頼性が高く、堅牢であることである。 また、優れた特徴抽出器の上に、密度マップアノテーションをはるかに少なくした密度マップ回帰器を構築することもできる。 具体的には,(1)関係する二分節タスクの集合が,元の密度マップ回帰タスクからサロゲート予測対象として導出されること,(2)ラベル付きデータとラベルなしデータの両方から,これらの二分節タスクの根底にある制約をフル活用した自己学習方式を用いて代理対象予測器を学習すること,の2つの革新的要素に基づく,新しい半教師付き群集カウント手法を提案する。 実験により,提案手法は既存の半教師付き群集カウント法および他の代表的ベースラインよりも優れていることを示す。

関連論文リスト

• Robust Zero-Shot Crowd Counting and Localization With Adaptive Resolution SAM [55.93697196726016]
  本稿では,SEEM(Seegment-Everything-Everywhere Model)を用いた簡易かつ効果的な群集カウント手法を提案する。 密集した群集シーンにおけるSEEMの性能は,高密度領域の多くの人々が欠落していることが主な原因である。 提案手法は,群集カウントにおいて最高の教師なし性能を実現すると同時に,いくつかの教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2024-02-27T13:55:17Z)
• Focus for Free in Density-Based Counting [56.961229110268036]
  利用可能なポイントアノテーションを再利用して、カウント性能を向上させる2つの方法を紹介します。 1つ目は、ポイントアノテーションを利用して、入力画像と密度画像の両方で隠蔽されたオブジェクトをシミュレートするカウント固有の拡張である。 第2の方法である前景蒸留は点アノテーションから前景マスクを生成し,黒色背景を持つ画像上で補助的ネットワークを訓練する。
  論文  参考訳（メタデータ） (2023-06-08T11:54:37Z)
• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)
• Glance to Count: Learning to Rank with Anchors for Weakly-supervised Crowd Counting [43.446730359817515]
  群衆の画像は、おそらくアノテートする最も面倒なデータの一つだ。 本稿では,2つの画像と高コントラスト数の2値ランキングをトレーニング指導として活用する,弱教師付きセッティングを提案する。 本研究では,様々な管理手法の組み合わせを研究するために広範囲な実験を行い,提案手法が既存の弱い監督手法よりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-29T13:39:34Z)
• BBA-net: A bi-branch attention network for crowd counting [25.82337203107288]
  現在のCNNに基づく回帰手法は, 歩行者の位置を把握せずに, 歩行者の密度情報を抽出する。 本稿では,3つのイノベーションポイントを持つクラウドカウントのためのバイブランチ注意ネットワーク(BBA-NET)を提案する。 提案手法は,他の最先端手法と比較して,群集カウント誤差を低くする。
  論文  参考訳（メタデータ） (2022-01-22T07:30:52Z)
• Completely Self-Supervised Crowd Counting via Distribution Matching [92.09218454377395]
  我々は,密集した群集数に対するトレーニングモデルに対する完全な自己超越的アプローチを提案する。 トレーニングに必要な入力は、大量の未ラベルの群衆画像以外は、群衆数に近似した上限である。 提案手法は,自然群集が逆伝播の誤り信号を生成するために利用可能な電力法分布に従うという考え方に富む。
  論文  参考訳（メタデータ） (2020-09-14T13:20:12Z)
• Towards Using Count-level Weak Supervision for Crowd Counting [55.58468947486247]
  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。
  論文  参考訳（メタデータ） (2020-02-29T02:58:36Z)

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。