論文の概要: Counting and Locating High-Density Objects Using Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2102.04366v1
• Date: Mon, 8 Feb 2021 17:17:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-09 15:37:55.593219
• Title: Counting and Locating High-Density Objects Using Convolutional Neural Network
• Title（参考訳）: 畳み込みニューラルネットワークを用いた高密度物体のカウントとロケート
• Authors: Mauro dos Santos de Arruda, Lucas Prado Osco, Plabiany Rodrigo Acosta, Diogo Nunes Gon\c{c}alves, Jos\'e Marcato Junior, Ana Paula Marques Ramos, Edson Takashi Matsubara, Zhipeng Luo, Jonathan Li, Jonathan de Andrade Silva, Wesley Nunes Gon\c{c}alves
• Abstract要約: 本稿では,高密度画像中の物体を数えるための畳み込みニューラルネットワーク(CNN)手法を提案する。 提案手法は,木と車という2つの計数データセットで評価した。
• 参考スコア（独自算出の注目度）: 19.512800180525087
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents a Convolutional Neural Network (CNN) approach for counting and locating objects in high-density imagery. To the best of our knowledge, this is the first object counting and locating method based on a feature map enhancement and a Multi-Stage Refinement of the confidence map. The proposed method was evaluated in two counting datasets: tree and car. For the tree dataset, our method returned a mean absolute error (MAE) of 2.05, a root-mean-squared error (RMSE) of 2.87 and a coefficient of determination (R$^2$) of 0.986. For the car dataset (CARPK and PUCPR+), our method was superior to state-of-the-art methods. In the these datasets, our approach achieved an MAE of 4.45 and 3.16, an RMSE of 6.18 and 4.39, and an R$^2$ of 0.975 and 0.999, respectively. The proposed method is suitable for dealing with high object-density, returning a state-of-the-art performance for counting and locating objects.
• Abstract（参考訳）: 本稿では,高密度画像中の物体を数えるための畳み込みニューラルネットワーク(CNN)手法を提案する。 私たちの知る限りでは、これは機能マップの強化と信頼度マップの多段階的な洗練に基づく、最初のオブジェクトのカウントと位置付けの方法です。 提案手法は,木と車という2つの計数データセットで評価した。 木データセットでは,2.05の平均絶対誤差(MAE),2.87のルート平均二乗誤差(RMSE),0.986の決定係数(R$^2$)が返された。 カーデータセット(CARPK, PUCPR+)では, 最先端の手法よりも優れていた。 これらのデータセットでは,MAEは4.45,RMSEは6.18,RMSEは4.39,R$^2$は0.975,0.999であった。 提案手法は,高い対象密度の処理に適しており,オブジェクトのカウントと位置決めのための最先端性能を返却する。

関連論文リスト

• LocPoseNet: Robust Location Prior for Unseen Object Pose Estimation [69.70498875887611]
  LocPoseNetは、見えないオブジェクトに先立って、ロバストにロケーションを学習することができる。 提案手法は,LINEMOD と GenMOP において,既存の作業よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-29T15:21:34Z)
• Rethinking Spatial Invariance of Convolutional Networks for Object Counting [119.83017534355842]
  局所連結ガウス核を用いて元の畳み込みフィルタを置き換え、密度写像の空間位置を推定する。 従来の研究から着想を得て,大規模なガウス畳み込みの近似を好意的に実装するために,翻訳不変性を伴う低ランク近似を提案する。 提案手法は,他の最先端手法を著しく上回り,物体の空間的位置の有望な学習を実現する。
  論文  参考訳（メタデータ） (2022-06-10T17:51:25Z)
• EAutoDet: Efficient Architecture Search for Object Detection [110.99532343155073]
  EAutoDetフレームワークは、1.4GPU日でオブジェクト検出のための実用的なバックボーンとFPNアーキテクチャを検出できる。 本稿では,一方のエッジ上での候補演算の重みを共有し,それらを一つの畳み込みに集約することでカーネル再利用手法を提案する。 特に、発見されたアーキテクチャは最先端のオブジェクト検出NAS法を超越し、120 FPSで40.1 mAP、49.2 mAP、41.3 FPSをCOCOテストデブセットで達成している。
  論文  参考訳（メタデータ） (2022-03-21T05:56:12Z)
• MPF6D: Masked Pyramid Fusion 6D Pose Estimation [1.2891210250935146]
  提案手法では,提案手法の精度を向上させるため,物体の6次元ポーズを推定する手法を提案する。 提案手法は, 推定時間0.12秒でリアルタイムに利用でき, 精度が高い。
  論文  参考訳（メタデータ） (2021-11-17T20:23:54Z)
• Index $t$-SNE: Tracking Dynamics of High-Dimensional Datasets with Coherent Embeddings [1.7188280334580195]
  本稿では,クラスタの位置を保存した新しいものを作成するために,埋め込みを再利用する手法を提案する。 提案アルゴリズムは,新しい項目を埋め込むために$t$-SNEと同じ複雑さを持つ。
  論文  参考訳（メタデータ） (2021-09-22T06:45:37Z)
• Deep Active Contours Using Locally Controlled Distance Vector Flow [0.0]
  ACM(Active Contours Model)はコンピュータビジョンや画像処理に広く使われている。 CNNは、輪郭の進化と画像のセグメンテーションの過程でユーザーを置き換えるアクティブな輪郭と組み合わせています。
  論文  参考訳（メタデータ） (2021-05-18T11:38:01Z)
• Fast Uncertainty Quantification for Deep Object Pose Estimation [91.09217713805337]
  深層学習に基づくオブジェクトポーズ推定は、しばしば信頼できない、自信過剰である。 本研究では,6-DoFオブジェクトのポーズ推定のための,シンプルで効率的かつプラグアンドプレイなUQ手法を提案する。
  論文  参考訳（メタデータ） (2020-11-16T06:51:55Z)
• 1-Point RANSAC-Based Method for Ground Object Pose Estimation [5.954779483701331]
  オブジェクトのポーズは、RANSACベースのスキームでn = 3, 4を検出するアルゴリズムで計算される。 しかし、計算複雑性はnとともに増加し、高い複雑性は複数のオブジェクトのポーズをリアルタイムで推定するデバイスに深刻な歪みを課す。 本論文では,1点RANSACに基づくオブジェクトのポーズを地上で推定する効率的な手法を提案する。
  論文  参考訳（メタデータ） (2020-08-09T12:58:58Z)
• A Self-Training Approach for Point-Supervised Object Detection and Counting in Crowds [54.73161039445703]
  本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。 トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。 実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-07-25T02:14:42Z)
• Robust 6D Object Pose Estimation by Learning RGB-D Features [59.580366107770764]
  本稿では、この局所最適問題を解くために、回転回帰のための離散連続的な新しい定式化を提案する。 我々はSO(3)の回転アンカーを均一にサンプリングし、各アンカーから目標への制約付き偏差を予測し、最適な予測を選択するための不確実性スコアを出力する。 LINEMOD と YCB-Video の2つのベンチマーク実験により,提案手法が最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-02-29T06:24:55Z)

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。