論文の概要: Localization in the Crowd with Topological Constraints

• arxiv url: http://arxiv.org/abs/2012.12482v1
• Date: Wed, 23 Dec 2020 04:33:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 18:10:02.917518
• Title: Localization in the Crowd with Topological Constraints
• Title（参考訳）: トポロジカル制約を伴う群集の局在
• Authors: Shahira Abousamra and Minh Hoai and Dimitris Samaras and Chao Chen
• Abstract要約: 本稿では,ドットの空間配置を推論するためにモデルを教えるトポロジカル制約を導入する。 トポロジカル推論は局所化アルゴリズムの品質を特に散在する領域の近くで改善する。
• 参考スコア（独自算出の注目度）: 47.51300472171983
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the problem of crowd localization, i.e., the prediction of dots corresponding to people in a crowded scene. Due to various challenges, a localization method is prone to spatial semantic errors, i.e., predicting multiple dots within a same person or collapsing multiple dots in a cluttered region. We propose a topological approach targeting these semantic errors. We introduce a topological constraint that teaches the model to reason about the spatial arrangement of dots. To enforce this constraint, we define a persistence loss based on the theory of persistent homology. The loss compares the topographic landscape of the likelihood map and the topology of the ground truth. Topological reasoning improves the quality of the localization algorithm especially near cluttered regions. On multiple public benchmarks, our method outperforms previous localization methods. Additionally, we demonstrate the potential of our method in improving the performance in the crowd counting task.
• Abstract（参考訳）: 混み合っている場面の人に対応する点の予測という,群集の局所化の問題に対処する。 様々な課題により、ローカライズ手法は空間的意味的誤り、すなわち同一人物内の複数の点を予測したり、乱雑な領域で複数の点を崩壊させる。 これらの意味的誤りを対象とするトポロジ的アプローチを提案する。 本稿では,ドットの空間配置を推論するためにモデルを教えるトポロジカル制約を導入する。 この制約を強制するために、持続的ホモロジーの理論に基づいた永続的損失を定義する。 この損失は、確率写像の地形的景観と基底真理のトポロジーを比較している。 トポロジカル推論は局所化アルゴリズムの品質を特に散在する領域の近くで改善する。 複数の公開ベンチマークでは,従来のローカライズ手法を上回っている。 さらに,本手法が群集カウントタスクの性能向上に有効であることを示す。

関連論文リスト

• Interpreting Object-level Foundation Models via Visual Precision Search [53.807678972967224]
  より少ない領域で正確な属性マップを生成する視覚的精度探索法を提案する。 本手法は,マルチモーダル融合による帰属問題を克服するために,内部モデルパラメータをバイパスする。 提案手法は,複数の評価指標にまたがる既存の手法を超越して,視覚的接地や物体検出タスクにおける障害を解釈することができる。
  論文  参考訳（メタデータ） (2024-11-25T08:54:54Z)
• Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
  位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。 ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。 トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:20:14Z)
• Multi-Resolution Planar Region Extraction for Uneven Terrains [6.482137641059034]
  本稿では,不整点雲観測から不均質な地形の平面領域を抽出する問題について検討する。 境界の精度と計算効率のバランスをとる多分解能平面領域抽出戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-21T12:17:51Z)
• Disentanglement Learning via Topology [22.33086299021419]
  マルチスケールなトポロジ的損失項を付加することにより,不整合表現を学習するTopDisを提案する。 ディスタングルメントは、ディープラーニングモデルの説明可能性と堅牢性にとって重要なデータ表現の重要な特性である。 提案した位相損失を用いて,訓練されたGANにおいて不整合方向を求める方法を示す。
  論文  参考訳（メタデータ） (2023-08-24T10:29:25Z)
• Consistency-Aware Anchor Pyramid Network for Crowd Localization [167.93943981468348]
  クラウドローカライゼーションは、群衆シナリオにおける人間の空間的位置を予測することを目的としている。 本稿では,各画像領域のアンカー密度を適応的に決定するアンカーピラミッド方式を提案する。
  論文  参考訳（メタデータ） (2022-12-08T04:32:01Z)
• A Cluster-based Approach for Improving Isotropy in Contextual Embedding Space [18.490856440975996]
  文脈的単語表現(CWR)における表現退化問題は、埋め込み空間の表現性を損なう。 本研究では,文脈埋め込み空間における縮退問題に対処する局所クラスタベースの手法を提案する。 動詞表現の主流方向を除去することで,空間をセマンティックな応用に適合させることが可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-02T14:26:37Z)
• Discrete Variational Attention Models for Language Generation [51.88612022940496]
  本稿では,言語における離散性に起因する注意機構のカテゴリー分布を考慮した離散的変動注意モデルを提案する。 離散性の特質により,提案手法の訓練は後部崩壊に支障を来さない。
  論文  参考訳（メタデータ） (2020-04-21T05:49:04Z)
• Multi-View Optimization of Local Feature Geometry [70.18863787469805]
  本研究では,複数視点からの局所像の特徴の幾何を,未知のシーンやカメラの幾何を伴わずに精査する問題に対処する。 提案手法は,従来の特徴抽出とマッチングのパラダイムを自然に補完する。 本手法は,手作りと学習の両方の局所的特徴に対して,三角測量とカメラのローカライゼーション性能を常に向上することを示す。
  論文  参考訳（メタデータ） (2020-03-18T17:22:11Z)
• Focus on Semantic Consistency for Cross-domain Crowd Understanding [34.560447389853614]
  いくつかのドメイン適応アルゴリズムは、合成データでモデルをトレーニングすることでそれを解放しようとする。 その結果,背景領域における推定誤差が既存手法の性能を阻害していることが判明した。 本稿では,ドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2020-02-20T08:51:05Z)

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。