論文の概要: Reducing Spatial Labeling Redundancy for Semi-supervised Crowd Counting

• arxiv url: http://arxiv.org/abs/2108.02970v1
• Date: Fri, 6 Aug 2021 06:45:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-09 21:10:55.829925
• Title: Reducing Spatial Labeling Redundancy for Semi-supervised Crowd Counting
• Title（参考訳）: 半教師付き群衆カウントにおける空間ラベリング冗長性低減
• Authors: Yongtuo Liu, Sucheng Ren, Liangyu Chai, Hanjie Wu, Jing Qin, Dan Xu, Shengfeng He
• Abstract要約: 我々は,None-or-Allラベリング戦略が,半教師付き群集カウントに最適であると主張している。 本稿では,従来の手法のラベリング・チェーンを破り,空間的ラベリングの冗長性を抑えるための最初の試みを提案する。 我々の手法は、これまでのベストアプローチを大きなマージンで上回ることができる。
• 参考スコア（独自算出の注目度）: 35.47796018582112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Labeling is onerous for crowd counting as it should annotate each individual in crowd images. Recently, several methods have been proposed for semi-supervised crowd counting to reduce the labeling efforts. Given a limited labeling budget, they typically select a few crowd images and densely label all individuals in each of them. Despite the promising results, we argue the None-or-All labeling strategy is suboptimal as the densely labeled individuals in each crowd image usually appear similar while the massive unlabeled crowd images may contain entirely diverse individuals. To this end, we propose to break the labeling chain of previous methods and make the first attempt to reduce spatial labeling redundancy for semi-supervised crowd counting. First, instead of annotating all the regions in each crowd image, we propose to annotate the representative ones only. We analyze the region representativeness from both vertical and horizontal directions, and formulate them as cluster centers of Gaussian Mixture Models. Additionally, to leverage the rich unlabeled regions, we exploit the similarities among individuals in each crowd image to directly supervise the unlabeled regions via feature propagation instead of the error-prone label propagation employed in the previous methods. In this way, we can transfer the original spatial labeling redundancy caused by individual similarities to effective supervision signals on the unlabeled regions. Extensive experiments on the widely-used benchmarks demonstrate that our method can outperform previous best approaches by a large margin.
• Abstract（参考訳）: ラベリングは、群衆画像中の各個人に注釈を付けるため、群衆を数えるのに一役買う。 近年,ラベル付けの取り組みを減らそうとする半監督群集カウント法が提案されている。 限られたラベル付け予算が与えられた場合、彼らは通常、いくつかの群衆画像を選択し、それぞれの個人を密にラベル付けする。 有望な結果にもかかわらず、各群集画像中の濃密なラベル付き個体はよく似ているが、巨大なラベルなし群集画像は、完全に多様な個人を含む可能性があるため、None-or-Allラベル付け戦略は最適ではない。 そこで本研究では,従来の手法のラベリングチェーンを分割し,半教師付き群衆数における空間ラベリング冗長性を低減する最初の試みを提案する。 まず,各群集画像中のすべての領域にアノテートするのではなく,代表領域のみにアノテートすることを提案する。 垂直方向と水平方向の両方から領域代表性を解析し,ガウス混合モデルのクラスター中心として定式化する。 さらに,各群集画像中の各個体間の類似性を利用して,従来手法で用いた誤り発生ラベルの伝搬ではなく,特徴伝播による特徴伝達を直接監督する。 このようにして、個々の類似性に起因する元の空間ラベリング冗長性を、ラベルなし領域の効果的な監督信号に転送することができる。 広範に使用されているベンチマーク実験により,提案手法は従来のベストアプローチよりも大きなマージンで優れていることが示された。

関連論文リスト

• Label merge-and-split: A graph-colouring approach for memory-efficient brain parcellation [3.2506898256325933]
  脳のパーセル化には、数百のセグメンテーションラベルを大きな画像量で推測する必要がある。 まず,学習に基づく全脳のパーセレーションに必要なラベルの有効数を大幅に削減する手法であるラベルマージ・アンド・スプリットを導入する。
  論文  参考訳（メタデータ） (2024-04-16T13:47:27Z)
• 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)
• Glance to Count: Learning to Rank with Anchors for Weakly-supervised Crowd Counting [43.446730359817515]
  群衆の画像は、おそらくアノテートする最も面倒なデータの一つだ。 本稿では,2つの画像と高コントラスト数の2値ランキングをトレーニング指導として活用する,弱教師付きセッティングを提案する。 本研究では,様々な管理手法の組み合わせを研究するために広範囲な実験を行い,提案手法が既存の弱い監督手法よりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-29T13:39:34Z)
• Crowd Counting by Self-supervised Transfer Colorization Learning and Global Prior Classification [2.0088802641040604]
  自己教師付きトランスファーカラー化学習とグローバル事前分類を組み合わせた新しいCNNベースのアプローチであるColorCountを提案する。 我々は4つの挑戦的なベンチマークで広範囲に実験を行い、ColorCountは他の教師なしのアプローチと比べてはるかに優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2021-05-20T11:54:05Z)
• Rank-Consistency Deep Hashing for Scalable Multi-Label Image Search [90.30623718137244]
  スケーラブルなマルチラベル画像検索のための新しいディープハッシュ法を提案する。 2つの空間の類似性順序を整列するために、新しい階数整合性目的を適用した。 強力な損失関数は、意味的類似性とハミング距離が一致しないサンプルをペナルティ化するように設計されている。
  論文  参考訳（メタデータ） (2021-02-02T13:46:58Z)
• Completely Self-Supervised Crowd Counting via Distribution Matching [92.09218454377395]
  我々は,密集した群集数に対するトレーニングモデルに対する完全な自己超越的アプローチを提案する。 トレーニングに必要な入力は、大量の未ラベルの群衆画像以外は、群衆数に近似した上限である。 提案手法は,自然群集が逆伝播の誤り信号を生成するために利用可能な電力法分布に従うという考え方に富む。
  論文  参考訳（メタデータ） (2020-09-14T13:20:12Z)
• Active Crowd Counting with Limited Supervision [13.09054893296829]
  本稿では,限られた監督下で正確な群集カウントを可能にする能動的学習フレームワークを提案する。 まず、データセットの最も情報性の高い画像に注釈を付けるためのアクティブなラベリング戦略を導入し、その上にカウントモデルを学習する。 ラベリング予算が満たされた最後のサイクルでは、大量の未ラベルデータも利用される。
  論文  参考訳（メタデータ） (2020-07-13T12:07:25Z)
• 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)
• MatchGAN: A Self-Supervised Semi-Supervised Conditional Generative Adversarial Network [51.84251358009803]
  本稿では,条件付き生成逆数ネットワーク(GAN)に対する,半教師付き環境下での自己教師型学習手法を提案する。 利用可能な数少ないラベル付きサンプルのラベル空間から無作為なラベルをサンプリングして拡張を行う。 本手法は,ベースラインのトレーニングに使用したラベル付きサンプルの20%に過ぎません。
  論文  参考訳（メタデータ） (2020-06-11T17:14:55Z)

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。