論文の概要: Tracking in Crowd is Challenging: Analyzing Crowd based on Physical Characteristics

• arxiv url: http://arxiv.org/abs/2008.03614v1
• Date: Sat, 8 Aug 2020 22:42:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 12:15:27.698523
• Title: Tracking in Crowd is Challenging: Analyzing Crowd based on Physical Characteristics
• Title（参考訳）: 群集の追跡は難しい: 物理的特徴に基づく群集の分析
• Authors: Constantinou Miti, Demetriou Zatte, Siraj Sajid Gondal
• Abstract要約: 異常行動を知的に識別するイベント検出法を開発した。 この問題は、地域によって人口密度が高いため、非常に難しい。 これらの課題に対処する新しい方法を考える。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Currently, the safety of people has become a very important problem in different places including subway station, universities, colleges, airport, shopping mall and square, city squares. Therefore, considering intelligence event detection systems is more and urgently required. The event detection method is developed to identify abnormal behavior intelligently, so public can take action as soon as possible to prevent unwanted activities. The problem is very challenging due to high crowd density in different areas. One of these issues is occlusion due to which individual tracking and analysis becomes impossible as shown in Fig. 1. Secondly, more challenging is the proper representation of individual behavior in the crowd. We consider a novel method to deal with these challenges. Considering the challenge of tracking, we partition complete frame into smaller patches, and extract motion pattern to demonstrate the motion in each individual patch. For this purpose, our work takes into account KLT corners as consolidated features to describe moving regions and track these features by considering optical flow method. To embed motion patterns, we develop and consider the distribution of all motion information in a patch as Gaussian distribution, and formulate parameters of Gaussian model as our motion pattern descriptor.
• Abstract（参考訳）: 現在、地下鉄の駅、大学、カレッジ、空港、ショッピングモール、市広場など様々な場所で人々の安全が重要な問題となっている。 したがって、知性イベント検出システムを考えることは、ますます緊急に必要である。 異常動作をインテリジェントに識別するためにイベント検出法を開発したので、不必要な活動を防止するためにできるだけ早く行動を起こすことができる。 この問題は、異なる地域での集客密度が高いため、非常に困難である。 これらの問題の1つは、図1に示すように、個々の追跡と分析が不可能となることによる閉塞である。 第二に、より難しいのは、群衆の中での個人行動の適切な表現です。 これらの課題に対処するための新しい方法を考える。 追跡の課題を考慮し,完全フレームを小さなパッチに分割し,各パッチの動作を示す動きパターンを抽出する。 本研究は,KLTコーナーを移動領域を記述し,光流法を用いてこれらの特徴を追従する統合的特徴として捉えたものである。 動きパターンを埋め込むために,パッチ内のすべての動き情報の分布をガウス分布として,ガウスモデルのパラメータを運動パターン記述子として定式化する。

関連論文リスト

• No Identity, no problem: Motion through detection for people tracking [48.708733485434394]
  本稿では,検出のみの監視を行いながら,動きの手がかりを利用する手法を提案する。 提案アルゴリズムは,2つの画像間の2次元運動推定とともに,2つの異なるタイミングで熱マップを検出する。 提案手法は,MOT17およびWILDTRACKデータセット上でのマルチターゲット・シングルビュー・マルチターゲット・トラッキングに対して,最先端の結果を提供する。
  論文  参考訳（メタデータ） (2024-11-25T15:13:17Z)
• Detecting Events in Crowds Through Changes in Geometrical Dimensions of Pedestrians [0.6390468088226495]
  イベントが群衆の行動の変化を引き起こす場合と、群衆とその動きがほとんど変化しない2つのビデオシーケンスの両方を含む、群衆行動の3つの異なるシナリオについて検討する。 ビデオと個々の歩行者の追跡(前処理段階)の両方で、Geomindを使用してシーン、特に幾何学的特徴、個性、感情に関する重要なデータを抽出する。 次に、各人物がイベントを識別したり、現実的な群衆をモデル化するための基盤として使用できる、時間の関数としての働き方に大きな変化を求める。
  論文  参考訳（メタデータ） (2023-12-11T16:18:56Z)
• 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)
• Handling Heavy Occlusion in Dense Crowd Tracking by Focusing on the Heads [29.80438304958294]
  本研究では,歩行者のリコールと精度向上を図るために,アンカーレス方式のジョイントヘッドとボディ検出器を設計した。 本モデルでは,訓練用歩行者検出のための統計的頭部比に関する情報は不要である。 このモデルを,MOT20,Crowd Human,HT21データセットなど,さまざまなデータセットに対する広範な実験により評価する。
  論文  参考訳（メタデータ） (2023-04-16T06:00:35Z)
• 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)
• STCrowd: A Multimodal Dataset for Pedestrian Perception in Crowded Scenes [78.95447086305381]
  3D空間における歩行者の正確な検出と追跡は、回転、ポーズ、スケールの大きなバリエーションのために困難である。 既存のベンチマークは2Dアノテーションのみを提供するか、あるいは低密度の歩行者分布を持つ限定的な3Dアノテーションを持つ。 混み合ったシナリオにおける歩行者認識アルゴリズムをよりよく評価するために,大規模なマルチモーダルデータセットSTCrowdを導入する。
  論文  参考訳（メタデータ） (2022-04-03T08:26:07Z)
• Learning to Shift Attention for Motion Generation [55.61994201686024]
  ロボット学習を用いた動作生成の課題の1つは、人間のデモが1つのタスククエリに対して複数のモードを持つ分布に従うことである。 以前のアプローチでは、すべてのモードをキャプチャできなかったり、デモの平均モードを取得できないため、無効なトラジェクトリを生成する傾向があった。 この問題を克服する外挿能力を有するモーション生成モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-24T09:07:52Z)
• A Flow Base Bi-path Network for Cross-scene Video Crowd Understanding in Aerial View [93.23947591795897]
  本稿では,これらの課題に対処し,ドローンから収集した視覚的データから参加者を自動的に理解する。 クロスシーンテストで発生する背景雑音を軽減するために, 二重ストリーム群カウントモデルを提案する。 極暗環境下での集団密度推定問題に対処するために,ゲームグランドセフトオートV(GTAV)によって生成された合成データを導入する。
  論文  参考訳（メタデータ） (2020-09-29T01:48:24Z)

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。