論文の概要: S4-Crowd: Semi-Supervised Learning with Self-Supervised Regularisation for Crowd Counting

• arxiv url: http://arxiv.org/abs/2108.13969v1
• Date: Tue, 31 Aug 2021 16:51:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-01 15:08:51.696051
• Title: S4-Crowd: Semi-Supervised Learning with Self-Supervised Regularisation for Crowd Counting
• Title（参考訳）: s4-crowd:自己教師付き正規化による半教師付き学習
• Authors: Haoran Duan and Yu Guan
• Abstract要約: 本研究では,ラベル付きデータとラベル付きデータを併用したセミ教師付き学習フレームワークS4-Crowdを提案する。 教師なし経路では,2つの自己監督的損失が,スケールや照明などの群集の変動をシミュレートするために提案された。 また, 2次統計を抽出することにより, 差別的な集団情報を保存できる群集駆動リカレントユニットGated-Crowd-Recurrent-Unit (GCRU) を提案した。
• 参考スコア（独自算出の注目度）: 13.422777208197848
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crowd counting has drawn more attention because of its wide application in smart cities. Recent works achieved promising performance but relied on the supervised paradigm with expensive crowd annotations. To alleviate annotation cost, in this work we proposed a semi-supervised learning framework S4-Crowd, which can leverage both unlabeled/labeled data for robust crowd modelling. In the unsupervised pathway, two self-supervised losses were proposed to simulate the crowd variations such as scale, illumination, etc., based on which and the supervised information pseudo labels were generated and gradually refined. We also proposed a crowd-driven recurrent unit Gated-Crowd-Recurrent-Unit (GCRU), which can preserve discriminant crowd information by extracting second-order statistics, yielding pseudo labels with improved quality. A joint loss including both unsupervised/supervised information was proposed, and a dynamic weighting strategy was employed to balance the importance of the unsupervised loss and supervised loss at different training stages. We conducted extensive experiments on four popular crowd counting datasets in semi-supervised settings. Experimental results suggested the effectiveness of each proposed component in our S4-Crowd framework. Our method also outperformed other state-of-the-art semi-supervised learning approaches on these crowd datasets.
• Abstract（参考訳）: スマートシティーに広く応用されているため、群衆数に注目が集まっている。 最近の研究は有望なパフォーマンスを達成したが、高価な群衆アノテーションで監督されたパラダイムに依存していた。 アノテーションコストを軽減するため,本研究では,教師なしデータとラベル付きデータの両方を有効活用し,頑健なクラウドモデリングを実現する半教師付き学習フレームワークs4-crowdを提案する。 教師なし経路では, 規模, 照明等の群集変動を模擬する2つの自己監督的損失が提案され, 教師付き情報擬似ラベルが生成され, 徐々に洗練されていく。 また, 2次統計を抽出し, 質を向上した擬似ラベルを生成することにより, 差別的な群集情報を保存できる群集駆動リカレントユニットGated-Crowd-Recurrent-Unit (GCRU) を提案した。 教師なし/教師なしの情報を含む共同損失が提案され、異なる訓練段階における教師なし損失と教師なし損失の重要性のバランスをとるために動的重み付け戦略が採用された。 半教師付き環境では4つの人気データセットを広範囲に実験した。 実験の結果,S4-Crowdフレームワークにおける各コンポーネントの有効性が示唆された。 また,この手法は群集データセットにおいて,他の最先端の半教師付き学習手法よりも優れていた。

関連論文リスト

• Scaling Up Semi-supervised Learning with Unconstrained Unlabelled Data [27.75143621836449]
  制約のないデータから効果的な表現を学習できる半教師付き学習フレームワークUnMixMatchを提案する。 4つの一般的なデータセットに対して広範な実験を行い、4.79%の性能向上を伴う既存の半教師付き手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-06-02T01:07:14Z)
• Semi-supervised Crowd Counting via Density Agency [57.3635501421658]
  我々は、学習可能な補助構造、すなわち密度エージェンシーを構築し、認識された前景の地域特徴を対応する密度サブクラスに近づける。 第2に,バックボーン特徴抽出器を統合するために,密度誘導型コントラスト学習損失を提案する。 第3に,前景の機能を改良するためにトランス構造を用いて回帰ヘッドを構築する。
  論文  参考訳（メタデータ） (2022-09-07T06:34:00Z)
• 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)
• Improve Unsupervised Pretraining for Few-label Transfer [80.58625921631506]
  本稿では,対象データセットに微調整用のラベル付きサンプルがほとんどない場合,この結論は成立しない可能性がある。 実アプリケーションのための新しいプログレッシブな数ラベル転送アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-07-26T17:59:56Z)
• WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
  弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。 エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。 提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
  論文  参考訳（メタデータ） (2021-05-21T11:58:50Z)
• Bayesian Semi-supervised Crowdsourcing [71.20185379303479]
  クラウドソーシングは、大規模なデータセットを効率的にラベル付けし、さまざまな学習タスクを実行するための強力なパラダイムとして登場した。 この研究は、半スーパービジョンの2つの体制の下で、半教師付きクラウドソース分類を扱う。
  論文  参考訳（メタデータ） (2020-12-20T23:18:51Z)
• 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)

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。