Fugu-MT 論文翻訳(概要): CNN-based Single Image Crowd Counting: Network Design, Loss Function and Supervisory Signal

論文の概要: CNN-based Single Image Crowd Counting: Network Design, Loss Function and Supervisory Signal

arxiv url: http://arxiv.org/abs/2012.15685v1
Date: Thu, 31 Dec 2020 16:10:40 GMT
ステータス: 処理完了
システム内更新日: 2021-04-17 17:07:06.565506
Title: CNN-based Single Image Crowd Counting: Network Design, Loss Function and Supervisory Signal
Title（参考訳）: CNNによる単一画像群カウント:ネットワーク設計、損失関数、監督信号
Authors: Haoyue Bai, S.-H. Gary Chan
Abstract要約: 単一のイメージの群集カウントは公共の安全、都市計画、交通管理、等の広い適用の挑戦的なコンピュータ視野問題です。本調査は,CNN(Convolutional Neural Network)に基づく近年の観客数計測技術について,密度マップ推定を通じて概説する。
参考スコア（独自算出の注目度）: 2.3732259124656903
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Single image crowd counting is a challenging computer vision problem with wide applications in public safety, city planning, traffic management, etc. This survey is to provide a comprehensive summary of recent advanced crowd counting techniques based on Convolutional Neural Network (CNN) via density map estimation. Our goals are to provide an up-to-date review of recent approaches, and educate new researchers in this field the design principles and trade-offs. After presenting publicly available datasets and evaluation metrics, we review the recent advances with detailed comparisons on three major design modules for crowd counting: deep neural network designs, loss functions, and supervisory signals. We conclude the survey with some future directions.
Abstract（参考訳）: 単一画像の群衆カウントは、公共の安全、都市計画、交通管理などの幅広い応用において、コンピュータビジョンの問題である。本調査は,CNN(Convolutional Neural Network)に基づく近年の観客数計測技術について,密度マップ推定を通じて概説する。私たちの目標は、最近のアプローチの最新のレビューを提供し、この分野の新しい研究者に設計原則とトレードオフを教えることです。公開データセットと評価メトリクスを提示した後、クラウドカウントのための3つの主要な設計モジュール(ディープニューラルネットワーク設計、損失関数、監督信号)の詳細な比較を行い、最近の進歩を概観する。我々は今後の方向性で調査を終える。

関連論文リスト

Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
論文参考訳（メタデータ） (2024-01-25T07:28:22Z)
Explaining Deep Neural Networks for Point Clouds using Gradient-based Visualisations [1.2891210250935146]
本研究では,非構造化3次元データの分類を目的としたネットワークの粗い視覚的説明を生成する手法を提案する。提案手法では,最終特徴写像層に逆流する勾配を用いて,これらの値を入力点クラウド内の対応する点の寄与としてマップする。このアプローチの汎用性は、シングルオブジェクトネットワークのPointNet、PointNet++、DGCNN、a'scene'ネットワークのVoteNetなど、さまざまなポイントクラウド分類ネットワークでテストされている。
論文参考訳（メタデータ） (2022-07-26T15:42:08Z)
Graph Neural Network for Traffic Forecasting: A Survey [1.1977931648859175]
本稿では,交通予測問題に対するグラフニューラルネットワークの適用を探求する,初めての総合的な調査である。我々は,各問題と今後の研究方向性について,オープンデータとソースリソースのコレクションを提示する。また、最新の論文、オープンデータ、およびソースリソースを更新するための公開Githubリポジトリも作成しました。
論文参考訳（メタデータ） (2021-01-27T02:35:41Z)
PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
論文参考訳（メタデータ） (2020-12-18T18:06:43Z)
Short-term Traffic Prediction with Deep Neural Networks: A Survey [2.9849405664643585]
現代の交通システムでは、毎日大量の交通データが生成される。これにより、短期交通予測(STTP)が急速に進歩した。複雑な関係を持つトラフィックネットワークでは、最も重要な特徴やパターンを自動的に抽出できるため、ディープニューラルネットワーク(DNN)がよく機能することが多い。
論文参考訳（メタデータ） (2020-08-28T15:06:06Z)
Bayesian Multi Scale Neural Network for Crowd Counting [0.0]
本稿では,ResNetベースの特徴抽出器,拡張畳み込みを用いたダウンサンプリングブロック,変換畳み込みを用いたアップサンプリングブロックを用いた新しいネットワークを提案する。本稿では,視点視点問題に対してネットワークを堅牢化する新しいアグリゲーションモジュールを提案する。
論文参考訳（メタデータ） (2020-07-11T21:43:20Z)
Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
論文参考訳（メタデータ） (2020-06-30T14:56:05Z)
JHU-CROWD++: Large-Scale Crowd Counting Dataset and A Benchmark Method [92.15895515035795]
我々は、"4,372"イメージと"1.51万"アノテーションを含む、新しい大規模非制約クラウドカウントデータセット(JHU-CROWD++)を導入する。本稿では, 残差誤差推定により, 群集密度マップを段階的に生成する新しい群集カウントネットワークを提案する。
論文参考訳（メタデータ） (2020-04-07T14:59:35Z)
Binary Neural Networks: A Survey [126.67799882857656]
バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
論文参考訳（メタデータ） (2020-03-31T16:47:20Z)
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)

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。