論文の概要: Wisdom of (Binned) Crowds: A Bayesian Stratification Paradigm for Crowd Counting

• arxiv url: http://arxiv.org/abs/2108.08784v1
• Date: Thu, 19 Aug 2021 16:50:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-20 14:18:41.548307
• Title: Wisdom of (Binned) Crowds: A Bayesian Stratification Paradigm for Crowd Counting
• Title（参考訳）: 群集の知恵:集団カウントのためのベイズ戦略パラダイム
• Authors: Sravya Vardhani Shivapuja, Mansi Pradeep Khamkar, Divij Bajaj, Ganesh Ramakrishnan, Ravi Kiran Sarvadevabhatla
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 16.09823718637455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Datasets for training crowd counting deep networks are typically heavy-tailed in count distribution and exhibit discontinuities across the count range. As a result, the de facto statistical measures (MSE, MAE) exhibit large variance and tend to be unreliable indicators of performance across the count range. To address these concerns in a holistic manner, we revise processes at various stages of the standard crowd counting pipeline. To enable principled and balanced minibatch sampling, we propose a novel smoothed Bayesian sample stratification approach. We propose a novel cost function which can be readily incorporated into existing crowd counting deep networks to encourage strata-aware optimization. We analyze the performance of representative crowd counting approaches across standard datasets at per strata level and in aggregate. We analyze the performance of crowd counting approaches across standard datasets and demonstrate that our proposed modifications noticeably reduce error standard deviation. Our contributions represent a nuanced, statistically balanced and fine-grained characterization of performance for crowd counting approaches. Code, pretrained models and interactive visualizations can be viewed at our project page https://deepcount.iiit.ac.in/
• Abstract（参考訳）: ディープネットワークを数える群衆を訓練するためのデータセットは通常、カウント分布が重く、カウント範囲全体で不連続を示す。 その結果、デファクト統計測度(MSE, MAE)は大きなばらつきを示し、カウント範囲全体での信頼性の低い指標となる傾向にある。 これらの懸念に包括的に対処するために、標準的な群衆カウントパイプラインの様々な段階のプロセスを改訂する。 原理的かつバランスの取れたミニバッチサンプリングを実現するために,新しい平滑化ベイズサンプル成層法を提案する。 提案するコスト関数は,大規模ネットワークをカウントする既存のクラウドに容易に組み込むことで,階層認識の最適化を促進できる。 本研究では,標準的なデータ集合を対象とする群集数算定手法の性能を,階層単位と集合単位で分析する。 標準データセット間での群集カウント手法の性能を解析し,提案手法が誤差標準偏差を著しく低減することを示す。 私たちの貢献は、群衆カウントアプローチのパフォーマンスの微妙な、統計的なバランス、きめ細かな特徴を示しています。 コード、事前トレーニングされたモデル、インタラクティブな視覚化はプロジェクトのページ https://deepcount.iiit.ac.in/ で見ることができる。

関連論文リスト

• Robust Unsupervised Crowd Counting and Localization with Adaptive Resolution SAM [61.10712338956455]
  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)
• Counting in the 2020s: Binned Representations and Inclusive Performance Measures for Deep Crowd Counting Approaches [21.595568866609067]
  データセットスキューの知識に合わせてトレーニングパイプラインを変更します。 原理的およびバランスの取れたミニバッチサンプリングを実現するために,新しいスムーズなベイズビンニング手法を提案する。 我々は、より包括的で、ディープネットワークの様々な比較パフォーマンス面に光を当てる、さらなるパフォーマンス対策を導入する。
  論文  参考訳（メタデータ） (2022-04-10T11:02:13Z)
• 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)
• PSCNet: Pyramidal Scale and Global Context Guided Network for Crowd Counting [44.306790250158954]
  本稿では,ピラミッドスケールモジュール (PSM) とグローバルコンテキストモジュール (GCM) に基づく新しい群集カウント手法を提案する。 PSMは、異なる画像スケールの群衆の境界を識別できる多スケール情報を適応的にキャプチャするために使用される。 GCMは、機能マップのチャネル全体のインタラクティブな情報をより効率的にするために、低複雑さと軽量な方法で考案されています。
  論文  参考訳（メタデータ） (2020-12-07T11:35:56Z)
• 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)
• 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)
• Learning to Count in the Crowd from Limited Labeled Data [109.2954525909007]
  我々は,限られた数のラベル付きサンプルから参加者を数えることを学ぶことで,アノテーションの努力を減らすことに重点を置いている。 具体的には,未ラベルデータに対する擬似地下真理推定を含むガウス過程に基づく反復学習機構を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:17:01Z)
• 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)

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。