論文の概要: Spatial Uncertainty-Aware Semi-Supervised Crowd Counting
- arxiv url: http://arxiv.org/abs/2107.13271v1
- Date: Wed, 28 Jul 2021 11:06:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-29 14:09:59.037518
- Title: Spatial Uncertainty-Aware Semi-Supervised Crowd Counting
- Title（参考訳）: 空間的不確実性を考慮した半監視群カウント
- Authors: Yanda Meng, Hongrun Zhang, Yitian Zhao, Xiaoyun Yang, Xuesheng Qian,
Xiaowei Huang, Yalin Zheng
- Abstract要約: 本稿では,群集数問題に対する正規化代理タスク(バイナリセグメンテーション)による空間不確実性を考慮した半教師付き半教師付きアプローチを提案する。
4つの挑戦的群集カウントデータセットの実験結果から,本手法は最先端の半教師付き手法よりも優れた性能を示すことが示された。
- 参考スコア（独自算出の注目度）: 21.756906146181553
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semi-supervised approaches for crowd counting attract attention, as the fully
supervised paradigm is expensive and laborious due to its request for a large
number of images of dense crowd scenarios and their annotations. This paper
proposes a spatial uncertainty-aware semi-supervised approach via regularized
surrogate task (binary segmentation) for crowd counting problems. Different
from existing semi-supervised learning-based crowd counting methods, to exploit
the unlabeled data, our proposed spatial uncertainty-aware teacher-student
framework focuses on high confident regions' information while addressing the
noisy supervision from the unlabeled data in an end-to-end manner.
Specifically, we estimate the spatial uncertainty maps from the teacher model's
surrogate task to guide the feature learning of the main task (density
regression) and the surrogate task of the student model at the same time.
Besides, we introduce a simple yet effective differential transformation layer
to enforce the inherent spatial consistency regularization between the main
task and the surrogate task in the student model, which helps the surrogate
task to yield more reliable predictions and generates high-quality uncertainty
maps. Thus, our model can also address the task-level perturbation problems
that occur spatial inconsistency between the primary and surrogate tasks in the
student model. Experimental results on four challenging crowd counting datasets
demonstrate that our method achieves superior performance to the
state-of-the-art semi-supervised methods.
- Abstract（参考訳）: 密集した群衆のシナリオとその注釈の大量の画像を要求するため、完全に監視されたパラダイムは高価で手間がかかるため、群衆を数えるための半監督的なアプローチが注目される。
本稿では,クラウドカウント問題に対する正規化サロゲートタスク (binary segmentation) による空間的不確実性を考慮した半教師付き手法を提案する。
既存の半教師あり学習に基づく群集カウント法とは違い,提案した空間不確実性を考慮した教師学習フレームワークは,ラベルなしデータからのノイズの多い監視をエンドツーエンドに解決しつつ,高信頼領域の情報に焦点をあてる。
具体的には,教師モデルの代理課題から空間的不確実性マップを推定し,主課題の特徴学習(密度回帰)と学生モデルの代理課題を同時に指導する。
さらに,学生モデルにおいて,主タスクと代用タスクの空間的整合性正則化を実現するための,単純かつ効果的な微分変換層を導入し,代用タスクがより信頼性の高い予測を行い,高品質の不確実性マップを生成するのに役立てる。
したがって,本モデルは,学生モデルにおけるプライマリタスクとサロゲートタスクの空間的不整合が発生するタスクレベルの摂動問題にも対処できる。
4つの挑戦的群集カウントデータセットの実験結果から,本手法は最先端の半教師付き手法よりも優れた性能を示すことが示された。
関連論文リスト
- Uniting contrastive and generative learning for event sequences models [51.547576949425604]
本研究では,2つの自己指導型学習手法 – 例えば,コントラスト学習と,潜在空間におけるマスクイベントの復元に基づく生成的アプローチ – の統合について検討する。
いくつかの公開データセットで行った実験は、シーケンス分類と次点型予測に焦点を合わせ、統合された手法が個々の手法と比較して優れた性能を達成することを示した。
論文 参考訳（メタデータ） (2024-08-19T13:47:17Z) - Region-aware Distribution Contrast: A Novel Approach to Multi-Task Partially Supervised Learning [50.88504784466931]
マルチタスク密度予測にはセマンティックセグメンテーション、深さ推定、表面正規推定が含まれる。
既存のソリューションは通常、グローバルなクロスタスク画像マッチングのためのグローバルなイメージ表現の学習に依存している。
本提案では,ガウス分布を用いた地域表現をモデル化する。
論文 参考訳（メタデータ） (2024-03-15T12:41:30Z) - Robust Zero-Shot Crowd Counting and Localization With Adaptive Resolution SAM [55.93697196726016]
本稿では,SEEM(Seegment-Everything-Everywhere Model)を用いた簡易かつ効果的な群集カウント手法を提案する。
密集した群集シーンにおけるSEEMの性能は,高密度領域の多くの人々が欠落していることが主な原因である。
提案手法は,群集カウントにおいて最高の教師なし性能を実現すると同時に,いくつかの教師付き手法に匹敵する性能を示す。
論文 参考訳（メタデータ） (2024-02-27T13:55:17Z) - Stochastic Vision Transformers with Wasserstein Distance-Aware Attention [8.407731308079025]
自己教師付き学習は、限られたラベル付きデータから知識を得るための最も有望なアプローチの1つである。
我々は、不確実性と距離認識を自己教師付き学習パイプラインに統合する新しいビジョントランスフォーマーを導入する。
提案手法は,多種多様なデータセットを対象とした多種多様な実験において,自己教師付きベースラインを超える精度とキャリブレーションを実現する。
論文 参考訳（メタデータ） (2023-11-30T15:53:37Z) - Leveraging sparse and shared feature activations for disentangled
representation learning [112.22699167017471]
本稿では,教師付きタスクの多種多様な集合から抽出した知識を活用し,共通不整合表現を学習することを提案する。
我々は6つの実世界分布シフトベンチマークと異なるデータモダリティに対するアプローチを検証する。
論文 参考訳（メタデータ） (2023-04-17T01:33:24Z) - Task-Agnostic Robust Representation Learning [31.818269301504564]
本研究では,未ラベルデータを用いた頑健な表現学習の課題をタスクに依存しない方法で検討する。
我々は、その損失をクリーンデータとロバストネス正則化器を用いて、下流タスクにおける予測モデルの逆方向の損失に上限を導出する。
本手法は,関係するベースラインと比較して,好適な対向性能を実現する。
論文 参考訳（メタデータ） (2022-03-15T02:05:11Z) - Self-supervised driven consistency training for annotation efficient
histopathology image analysis [13.005873872821066]
大きなラベル付きデータセットでニューラルネットワークをトレーニングすることは、計算病理学において依然として支配的なパラダイムである。
本研究では,非教師付き表現学習のための強力な監視信号を学ぶために,ヒストロジ全体スライディング画像の背景となる多段階的文脈的手がかりを利用する自己教師付きプレテキストタスクを提案する。
また,タスク固有の未ラベルデータとの予測整合性に基づいて,事前学習した表現を下流タスクに効果的に転送することを学ぶ教師による半教師付き一貫性パラダイムを提案する。
論文 参考訳（メタデータ） (2021-02-07T19:46:21Z) - Unsupervised Attention Based Instance Discriminative Learning for Person
Re-Identification [5.233788055084763]
事前学習をせずにエンドツーエンドで訓練された人物再識別のための教師なしフレームワークを提案する。
提案手法は,グループ畳み込みを組み合わせ,複数スケールでの空間的注意力を高める新しいアテンション機構を利用する。
我々はMarket1501とDukeMTMC-reIDデータセットを用いて広範囲に解析を行い、我々の手法が常に最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-03T18:08:31Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z) - Semi-Supervised Crowd Counting via Self-Training on Surrogate Tasks [50.78037828213118]
本稿では,機能学習の観点から,半教師付き群集カウント問題に取り組む。
本稿では,2つの革新的なコンポーネント上に構築された,新しい半教師付き群集カウント手法を提案する。
論文 参考訳（メタデータ） (2020-07-07T05:30:53Z)
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。