論文の概要: Uniformity in Heterogeneity:Diving Deep into Count Interval Partition
for Crowd Counting
- arxiv url: http://arxiv.org/abs/2107.12619v1
- Date: Tue, 27 Jul 2021 06:24:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-28 14:53:45.437484
- Title: Uniformity in Heterogeneity:Diving Deep into Count Interval Partition
for Crowd Counting
- Title（参考訳）: 異質性における均一性:集団カウントのための数間分割を深く研究する
- Authors: Changan Wang, Qingyu Song, Boshen Zhang, Yabiao Wang, Ying Tai, Xuyi
Hu, Chengjie Wang, Jilin Li, Jiayi Ma, Yang Wu
- Abstract要約: 一様誤差分割(UEP)と呼ばれる新しいカウント間隔分割基準を提案する。
MCP基準は、推論中にそのカウント値を表すために、各インターバルのベストカウントプロキシを選択する。
統一誤り分割ネットワーク(UEPNet)と呼ばれる単純で効果的なモデルを提案する。
- 参考スコア（独自算出の注目度）: 56.44300325295678
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, the problem of inaccurate learning targets in crowd counting draws
increasing attention. Inspired by a few pioneering work, we solve this problem
by trying to predict the indices of pre-defined interval bins of counts instead
of the count values themselves. However, an inappropriate interval setting
might make the count error contributions from different intervals extremely
imbalanced, leading to inferior counting performance. Therefore, we propose a
novel count interval partition criterion called Uniform Error Partition (UEP),
which always keeps the expected counting error contributions equal for all
intervals to minimize the prediction risk. Then to mitigate the inevitably
introduced discretization errors in the count quantization process, we propose
another criterion called Mean Count Proxies (MCP). The MCP criterion selects
the best count proxy for each interval to represent its count value during
inference, making the overall expected discretization error of an image nearly
negligible. As far as we are aware, this work is the first to delve into such a
classification task and ends up with a promising solution for count interval
partition. Following the above two theoretically demonstrated criterions, we
propose a simple yet effective model termed Uniform Error Partition Network
(UEPNet), which achieves state-of-the-art performance on several challenging
datasets. The codes will be available at:
https://github.com/TencentYoutuResearch/CrowdCounting-UEPNet.
- Abstract（参考訳）: 近年,群衆カウントにおける不正確な学習目標の問題が注目されている。
いくつかの先駆的な研究に触発されて、カウント値自体ではなく、事前に定義されたカウントの間隔ビンの指数を予測しようとすることで、この問題を解決する。
しかし、不適切な間隔設定は、異なる間隔からのカウントエラー寄与を極めて不均衡にし、カウント性能が劣る可能性がある。
そこで本研究では, 予測リスクを最小限に抑えるために, 常に予測された計算誤差の寄与率を全区間に等しく保持する, 一様誤差分割(uniform error partition, uep)と呼ばれる新しいカウント区間分割基準を提案する。
次に、カウント量子化過程において必然的に導入される離散化誤差を軽減するために、平均カウントプロキシ(MCP)と呼ばれる別の基準を提案する。
MCP基準は、推論中にそのカウント値を表すために各インターバル毎のベストカウントプロキシを選択し、画像の全体的な予測離散化誤差をほぼ無視できる。
私たちが知る限り、この作業は、そのような分類タスクを最初に掘り下げて、カウントインターバル分割の有望な解決法にたどり着きます。
上述の2つの理論的に実証された基準に従えば,統一エラー分割ネットワーク (UEPNet) と呼ばれる単純なモデルを提案する。
コードは以下の通り。 https://github.com/TencentYoutuResearch/CrowdCounting-UEPNet。
関連論文リスト
- Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。
本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。
これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
論文 参考訳（メタデータ） (2024-06-05T13:36:38Z) - Favour: FAst Variance Operator for Uncertainty Rating [0.034530027457862]
機械学習予測を解釈するための重要なアプローチとしてベイズニューラルネットワーク(BNN)が登場した。
後部分布からサンプリングすることで、データサイエンティストは推論の不確実性を推定することができる。
以前の研究は、ネットワークを介して後部の第1モーメントと第2モーメントを伝播することを提案した。
この方法はサンプリングよりも遅いため、伝播分散を近似する必要がある。
私たちの貢献は、より原則化された分散伝播フレームワークです。
論文 参考訳（メタデータ） (2023-11-21T22:53:20Z) - DeSCo: Towards Generalizable and Scalable Deep Subgraph Counting [13.790533532989269]
スケーラブルなニューラルディープグラフカウントパイプラインであるDeSCoを紹介する。
単一トレーニング後のターゲットグラフ上でのクエリのカウントと発生位置を正確に予測するように設計されている。
DeSCoは、さまざまなドメインから8つの実世界のデータセットで評価される。
論文 参考訳（メタデータ） (2023-08-16T07:58:02Z) - Efficient probabilistic reconciliation of forecasts for real-valued and
count time series [0.840358257755792]
本研究では,任意の種類の予測分布を調整するための条件付けに基づく新しい手法を提案する。
次にBottom-Up Smplingと呼ばれる新しいアルゴリズムを導入し、再構成された分布から効率的にサンプリングする。
論文 参考訳（メタデータ） (2022-10-05T14:22:24Z) - Beyond mAP: Towards better evaluation of instance segmentation [23.562251593257674]
平均精度は、ハイリコール範囲における重複予測をペナルティ化しない。
本研究では,空間的およびカテゴリー的両方の重複予測の量を明示的に測定する2つの新しい手法を提案する。
当社のセマンティックソーティングとNMSは,ヘッジド予測を緩和し,APを保存するためのプラグイン・アンド・プレイモジュールとして追加することができる。
論文 参考訳（メタデータ） (2022-07-04T17:56:14Z) - 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) - 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) - Learning by Minimizing the Sum of Ranked Range [58.24935359348289]
本稿では,学習目標を定式化するための一般的なアプローチとして,ランキング範囲(SoRR)の和を紹介した。
ランク付き範囲は、実数の集合のソートされた値の連続的なシーケンスである。
我々は,SoRRフレームワークの最小化のための機械学習における2つの応用,すなわち,バイナリ分類のためのAoRR集約損失とマルチラベル/マルチクラス分類のためのTKML個人損失について検討する。
論文 参考訳（メタデータ） (2020-10-05T01:58:32Z) - Overcoming Statistical Shortcuts for Open-ended Visual Counting [54.858754825838865]
出力ラベルに関係なく、カウントする適切なメカニズムを学習するモデルを開発することを目的としている。
まず,統計的ショートカットに過度に依存するモデルを罰するModifying Count Distributionプロトコルを提案する。
第2に、視覚分析と自然言語質問に基づく数え上げを専門とする空間カウントネットワーク(SCN)を導入する。
論文 参考訳（メタデータ） (2020-06-17T18:02:01Z) - A General Method for Robust Learning from Batches [56.59844655107251]
本稿では,バッチから頑健な学習を行う一般的なフレームワークについて考察し,連続ドメインを含む任意の領域に対する分類と分布推定の限界について考察する。
本手法は,一括分節分類,一括分節,単調,対数凹,ガウス混合分布推定のための,最初の頑健な計算効率の学習アルゴリズムを導出する。
論文 参考訳（メタデータ） (2020-02-25T18:53:25Z)
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。