論文の概要: Counting Objects by Diffused Index: geometry-free and training-free
approach
- arxiv url: http://arxiv.org/abs/2110.08365v1
- Date: Fri, 15 Oct 2021 20:53:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 20:54:44.780013
- Title: Counting Objects by Diffused Index: geometry-free and training-free
approach
- Title（参考訳）: 拡散インデックスによるオブジェクトの数え上げ:幾何自由およびトレーニングフリーアプローチ
- Authors: Mengyi Tang (1), Maryam Yashtini (2), and Sung Ha Kang (1) ((1)
Georgia Institute of Technology, (2) Georgetown University )
- Abstract要約: 画像中のオブジェクト数をカウントするために,拡散型,幾何学的,学習自由な手法を提案する。
主なアイデアは、その強さや大きさに関わらず、各オブジェクトをユニークなインデックス値で表現することである。
生物細胞,農業,コンサート,輸送など,様々な用途に計数結果を提示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Counting objects is a fundamental but challenging problem. In this paper, we
propose diffusion-based, geometry-free, and learning-free methodologies to
count the number of objects in images. The main idea is to represent each
object by a unique index value regardless of its intensity or size, and to
simply count the number of index values. First, we place different vectors,
refer to as seed vectors, uniformly throughout the mask image. The mask image
has boundary information of the objects to be counted. Secondly, the seeds are
diffused using an edge-weighted harmonic variational optimization model within
each object. We propose an efficient algorithm based on an operator splitting
approach and alternating direction minimization method, and theoretical
analysis of this algorithm is given. An optimal solution of the model is
obtained when the distributed seeds are completely diffused such that there is
a unique intensity within each object, which we refer to as an index. For
computational efficiency, we stop the diffusion process before a full
convergence, and propose to cluster these diffused index values. We refer to
this approach as Counting Objects by Diffused Index (CODI). We explore scalar
and multi-dimensional seed vectors. For Scalar seeds, we use Gaussian fitting
in histogram to count, while for vector seeds, we exploit a high-dimensional
clustering method for the final step of counting via clustering. The proposed
method is flexible even if the boundary of the object is not clear nor fully
enclosed. We present counting results in various applications such as
biological cells, agriculture, concert crowd, and transportation. Some
comparisons with existing methods are presented.
- Abstract（参考訳）: オブジェクトのカウントは基本的な問題ですが、難しい問題です。
本稿では,画像中のオブジェクト数をカウントする拡散型,幾何学的,学習自由な手法を提案する。
主なアイデアは、それぞれのオブジェクトの強度や大きさに関わらず、ユニークなインデックス値で表現し、インデックス値の数を単純に数えることである。
まず、異なるベクトルを配置し、種ベクトルと呼び、マスク画像全体に均一に配置する。
マスク画像は、カウント対象物の境界情報を有する。
次に、各オブジェクト内のエッジ重み付き調和変分最適化モデルを用いて種子を拡散させる。
本稿では,演算子分割法と交互方向最小化法に基づく効率的なアルゴリズムを提案し,その理論的解析を行った。
このモデルの最適解は、分散種子が分散されたときに、各対象に固有の強度があるように完全に拡散されたときに得られる。
計算効率のために、全収束の前に拡散過程を停止し、これらの拡散インデックス値をクラスタ化する。
我々は、この手法をDiffused Index (CODI) によるCounting Objectsと呼ぶ。
我々はスカラーおよび多次元シードベクトルを探索する。
スカラーシードではヒストグラムのガウスフィッティングを用いてカウントし,ベクトルシードではクラスタリングによるカウントの最終段階として高次元クラスタリング手法を用いる。
提案手法は,オブジェクトの境界が明確でなくても完全に囲まれていても柔軟である。
生物細胞,農業,コンサート,輸送など,様々な用途に計数結果を提示した。
既存の手法との比較を行った。
関連論文リスト
- Linear time Evidence Accumulation Clustering with KMeans [0.0]
この研究は、平均的なリンククラスタリングの振る舞いを模倣するトリックを記述する。
分割の密度を効率よく計算する方法を見つけ、二次的な複雑さから線形的な複雑さへのコストを削減した。
k平均結果は、計算コストを低く保ちながら、NMIの観点からは、最先端の技術に匹敵する。
論文 参考訳（メタデータ） (2023-11-15T14:12:59Z) - Morphologically-Aware Consensus Computation via Heuristics-based
IterATive Optimization (MACCHIatO) [1.8749305679160362]
本稿では,慎重に選択された距離のFr'echet平均に基づいて,二分法あるいは確率的コンセンサスセグメンテーションを構築する手法を提案する。
その結果,2値のコンセンサスマスクが多数投票とSTAPLEの中間サイズとなり,Mask Averaging法とSTAPLE法との違いが判明した。
論文 参考訳（メタデータ） (2023-09-14T23:28:58Z) - PaVa: a novel Path-based Valley-seeking clustering algorithm [13.264374632165776]
本稿では,任意の形状のクラスタのための新しいパスベースのバレー探索クラスタリングアルゴリズムを提案する。
このアルゴリズムには3つの重要なテクニックが使われている。
その結果,パスに基づくバレー探索アルゴリズムは正確かつ効率的であることが示唆された。
論文 参考訳（メタデータ） (2023-06-13T02:29:34Z) - A Computational Theory and Semi-Supervised Algorithm for Clustering [0.0]
半教師付きクラスタリングアルゴリズムを提案する。
クラスタリング法のカーネルは、Mohammadの異常検出アルゴリズムである。
結果は、合成および実世界のデータセットで示される。
論文 参考訳（メタデータ） (2023-06-12T09:15:58Z) - Rethinking k-means from manifold learning perspective [122.38667613245151]
平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。
具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。
異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
論文 参考訳（メタデータ） (2023-05-12T03:01:41Z) - GBMST: An Efficient Minimum Spanning Tree Clustering Based on
Granular-Ball Computing [78.92205914422925]
多粒度グラニュラバルと最小スパンニングツリー(MST)を組み合わせたクラスタリングアルゴリズムを提案する。
粒度が粗い粒状ボールを構築し,さらに粒状ボールとMSTを用いて「大規模優先度」に基づくクラスタリング手法を実装した。
いくつかのデータセットの実験結果は、アルゴリズムの威力を示している。
論文 参考訳（メタデータ） (2023-03-02T09:04:35Z) - PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。
その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。
提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
論文 参考訳（メタデータ） (2022-04-25T02:41:46Z) - SOLO: A Simple Framework for Instance Segmentation [84.00519148562606]
インスタンスカテゴリ"は、インスタンスの場所に応じて、インスタンス内の各ピクセルにカテゴリを割り当てる。
SOLO"は、強力なパフォーマンスを備えたインスタンスセグメンテーションのための、シンプルで、直接的で、高速なフレームワークです。
提案手法は, 高速化と精度の両面から, 実例分割の最先端結果を実現する。
論文 参考訳（メタデータ） (2021-06-30T09:56:54Z) - Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。
提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
論文 参考訳（メタデータ） (2021-05-23T19:21:55Z) - Finding Geometric Models by Clustering in the Consensus Space [61.65661010039768]
本稿では,未知数の幾何学的モデル,例えばホモグラフィーを求めるアルゴリズムを提案する。
複数の幾何モデルを用いることで精度が向上するアプリケーションをいくつか提示する。
これには、複数の一般化されたホモグラフからのポーズ推定、高速移動物体の軌道推定が含まれる。
論文 参考訳（メタデータ） (2021-03-25T14:35:07Z) - Clustering with Penalty for Joint Occurrence of Objects: Computational
Aspects [0.0]
Hol'y, Sokol および vCern'y クラスタ・オブジェクトのメソッドは、与えられた多くの集合におけるそれらの出現率に基づいている。
この考え方は、同じクラスタ内の同じクラスタから複数のオブジェクトが発生することを最小限にすることを目的としている。
本稿では,本手法の計算的側面について考察する。
論文 参考訳（メタデータ） (2021-02-02T10:39:27Z)
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。