論文の概要: Distribution Matching for Crowd Counting

• arxiv url: http://arxiv.org/abs/2009.13077v2
• Date: Sun, 25 Oct 2020 23:53:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 21:57:28.616304
• Title: Distribution Matching for Crowd Counting
• Title（参考訳）: 群衆カウントのための分布マッチング
• Authors: Boyu Wang, Huidong Liu, Dimitris Samaras, Minh Hoai
• Abstract要約: アノテーションにガウスを付与することは一般化性能を損なうことを示す。 我々は,群集CoUNTing (DM-Count) における分布マッチングの利用を提案する。 平均絶対誤差(Mean Absolute Error)の観点では、DM-Countは従来の最先端手法よりも優れている。
• 参考スコア（独自算出の注目度）: 51.90971145453012
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In crowd counting, each training image contains multiple people, where each person is annotated by a dot. Existing crowd counting methods need to use a Gaussian to smooth each annotated dot or to estimate the likelihood of every pixel given the annotated point. In this paper, we show that imposing Gaussians to annotations hurts generalization performance. Instead, we propose to use Distribution Matching for crowd COUNTing (DM-Count). In DM-Count, we use Optimal Transport (OT) to measure the similarity between the normalized predicted density map and the normalized ground truth density map. To stabilize OT computation, we include a Total Variation loss in our model. We show that the generalization error bound of DM-Count is tighter than that of the Gaussian smoothed methods. In terms of Mean Absolute Error, DM-Count outperforms the previous state-of-the-art methods by a large margin on two large-scale counting datasets, UCF-QNRF and NWPU, and achieves the state-of-the-art results on the ShanghaiTech and UCF-CC50 datasets. DM-Count reduced the error of the state-of-the-art published result by approximately 16%. Code is available at https://github.com/cvlab-stonybrook/DM-Count.
• Abstract（参考訳）: 群衆カウントでは、各トレーニングイメージには複数の人が含まれ、各人がドットでアノテートされる。 既存の群衆計数法は、各注釈点の滑らか化や、注釈点が与えられた各ピクセルの可能性を推定するためにガウス的を用いる必要がある。 本稿では,アノテーションにガウスを付与することは一般化性能を損なうことを示す。 代わりに、群衆COUNTing (DM-Count) に分布マッチングを適用することを提案する。 dm-countでは、正規化予測密度マップと正規化基底真理密度マップの類似性を測定するために最適輸送(ot)を用いる。 OT計算を安定させるために、我々のモデルにトータル変分損失を含める。 DM-Countの一般化誤差境界はガウス滑らか化法よりも厳密であることを示す。 平均絶対誤差(Mean Absolute Error)に関して、DM-Countは、UCF-QNRFとNWPUの2つの大規模カウントデータセットに対して、従来の最先端メソッドよりも大きなマージンで、上海技術とUCF-CC50データセットの最先端結果を達成する。 DM-Countは、最先端の公開結果のエラーを約16%削減した。 コードはhttps://github.com/cvlab-stonybrook/dm-countで入手できる。

関連論文リスト

• Single Domain Generalization for Crowd Counting [11.212941297348268]
  MPCountは、ソース分布が狭い場合でも、新しい効果的なアプローチである。 密度マップの回帰のために多様な密度値を格納し、1つのメモリバンクでドメイン不変の特徴を再構築する。 様々なシナリオ下での美術品の状態と比較して、カウント精度が著しく向上することが示されている。
  論文  参考訳（メタデータ） (2024-03-14T06:16:21Z)
• Scale-Aware Crowd Count Network with Annotation Error Correction [19.036693336902662]
  従来のクラウドカウントネットワークは、プール層を通じてフィーチャーマップがダウンサイズされると、情報損失に悩まされる。 本稿では,ノイズの多いアノテーションの誤り訂正機能を備えたスケール・アウェア・アーキテクチャを導入するスケール・アウェア・クラウドカウンティング・ネットワーク(SACC-Net)を提案する。
  論文  参考訳（メタデータ） (2023-12-28T01:36:38Z)
• Consistent Diffusion Models: Mitigating Sampling Drift by Learning to be Consistent [97.64313409741614]
  本稿では, モデルが生成したデータ上での予測が時間とともに一定であることを示す, 両立性特性を強制することを提案する。 CIFAR-10の条件および非条件生成とAFHQとFFHQのベースライン改良について,本研究の新たな訓練目標が得られた。
  論文  参考訳（メタデータ） (2023-02-17T18:45:04Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Scale-Aware Crowd Counting Using a Joint Likelihood Density Map and Synthetic Fusion Pyramid Network [15.882525477601183]
  本研究では,クラウドカウントのためのスケールアウェアロス関数を設計したSPF-Net(Synthetic Fusion Pyramid Network)を開発した。 既存のクラウドカウント手法では、トレーニングアノテーションポイントが正確であると仮定し、ノイズの多いアノテーションが大きなモデル学習バイアスや誤差のカウントにつながることを無視する。 この研究は、エンド・ツー・エンドの損失設計において複数のスケールでこのようなノイズを適切に処理し、群衆に最先端のノイズを数えさせる最初のものである。
  論文  参考訳（メタデータ） (2022-11-13T06:52:47Z)
• Wisdom of (Binned) Crowds: A Bayesian Stratification Paradigm for Crowd Counting [16.09823718637455]
  本研究は,ストラタレベルの標準データセットとアグリゲーション単位での群集カウント手法の性能を解析する。 我々の貢献は、群衆カウントの手法における、微妙な、統計的にバランスのとれた、きめ細かな性能評価を表現している。
  論文  参考訳（メタデータ） (2021-08-19T16:50:31Z)
• Cascaded Residual Density Network for Crowd Counting [63.714719914701014]
  本研究では, 群衆数に対する高品質な密度マップを高精度に作成するために, 粗大なアプローチで新しいカスケード残差密度ネットワーク(CRDNet)を提案する。 新たな局所的カウント損失が示され、群衆カウントの精度が向上する。
  論文  参考訳（メタデータ） (2021-07-29T03:07:11Z)
• Direct Measure Matching for Crowd Counting [59.66286603624411]
  そこで本研究では,予測密度マップを散乱点付基底真理に直接回帰する測度に基づく新しい計数手法を提案する。 本稿では, シンクホーンの測位損失を計測するために設計した, 半平衡型のシンクホーン発散を導出する。
  論文  参考訳（メタデータ） (2021-07-04T06:37:33Z)
• 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)

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。