論文の概要: BBA-net: A bi-branch attention network for crowd counting
- arxiv url: http://arxiv.org/abs/2201.08983v1
- Date: Sat, 22 Jan 2022 07:30:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-28 09:53:03.394575
- Title: BBA-net: A bi-branch attention network for crowd counting
- Title（参考訳）: bba-net: 群衆カウントのためのバイブランチアテンションネットワーク
- Authors: Yi Hou, Chengyang Li, Fan Yang, Cong Ma, Liping Zhu, Yuan Li, Huizhu
Jia, Xiaodong Xie
- Abstract要約: 現在のCNNに基づく回帰手法は, 歩行者の位置を把握せずに, 歩行者の密度情報を抽出する。
本稿では,3つのイノベーションポイントを持つクラウドカウントのためのバイブランチ注意ネットワーク(BBA-NET)を提案する。
提案手法は,他の最先端手法と比較して,群集カウント誤差を低くする。
- 参考スコア（独自算出の注目度）: 25.82337203107288
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the field of crowd counting, the current mainstream CNN-based regression
methods simply extract the density information of pedestrians without finding
the position of each person. This makes the output of the network often found
to contain incorrect responses, which may erroneously estimate the total number
and not conducive to the interpretation of the algorithm. To this end, we
propose a Bi-Branch Attention Network (BBA-NET) for crowd counting, which has
three innovation points. i) A two-branch architecture is used to estimate the
density information and location information separately. ii) Attention
mechanism is used to facilitate feature extraction, which can reduce false
responses. iii) A new density map generation method combining geometric
adaptation and Voronoi split is introduced. Our method can integrate the
pedestrian's head and body information to enhance the feature expression
ability of the density map. Extensive experiments performed on two public
datasets show that our method achieves a lower crowd counting error compared to
other state-of-the-art methods.
- Abstract（参考訳）: 群衆カウントの分野では、現在の主流のcnnベースの回帰手法は、歩行者の密度情報を個々の人物の位置を見出すことなく抽出する。
これにより、ネットワークの出力は誤った応答を含むことがしばしば見出され、これはアルゴリズムの解釈に反し、誤って総数を推定する可能性がある。
そこで本研究では,3つのイノベーションポイントを持つ群衆カウントのためのバイブランチアテンションネットワーク(bba-net)を提案する。
一 密度情報及び位置情報を別々に推定するために二分岐アーキテクチャを用いる。
二 注意機構は、誤応答を低減できる特徴抽出を容易にするために用いられる。
三 幾何学的適応とボロノイ分割を組み合わせた新しい密度写像生成法を導入すること。
本手法は,歩行者の頭部と身体の情報を統合し,密度マップの特徴表現能力を向上させる。
2つの公開データセットで行った大規模な実験により,本手法は,他の最先端手法と比較して,群集カウント誤差が低いことを示す。
関連論文リスト
- Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。
拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。
提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
論文 参考訳（メタデータ） (2024-01-25T07:28:22Z) - 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) - Redesigning Multi-Scale Neural Network for Crowd Counting [68.674652984003]
本稿では, 集団カウントのための多スケール密度マップを階層的にマージする, 密度専門家の階層的混合を導入する。
階層構造の中では、すべてのスケールからの貢献を促進するために、専門家の競争とコラボレーションのスキームが提示されます。
実験の結果,提案手法は5つの公開データセット上での最先端性能を実現することがわかった。
論文 参考訳（メタデータ） (2022-08-04T21:49:29Z) - Semi-Supervised Building Footprint Generation with Feature and Output
Consistency Training [17.6179873429447]
一貫性トレーニングを備えた最先端の半教師付きセマンティックセマンティクスネットワークは、この問題に対処するのに役立ちます。
ラベルなしサンプルのエンドツーエンドネットワークトレーニングにおいて,特徴と出力の整合性を統合することを提案する。
実験により, 提案手法により, より完全な構造を抽出できることが示唆された。
論文 参考訳（メタデータ） (2022-05-17T14:55:13Z) - Crowd counting with segmentation attention convolutional neural network [20.315829094519128]
我々はSegCrowdNetと呼ばれる新しい畳み込みニューラルネットワークアーキテクチャを提案する。
SegCrowdNetは人間の頭領域を適応的に強調し、セグメント化によって非頭領域を抑圧する。
SegCrowdNetは最先端のメソッドと比較して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） (2022-04-15T08:40:38Z) - Cascaded Residual Density Network for Crowd Counting [63.714719914701014]
本研究では, 群衆数に対する高品質な密度マップを高精度に作成するために, 粗大なアプローチで新しいカスケード残差密度ネットワーク(CRDNet)を提案する。
新たな局所的カウント損失が示され、群衆カウントの精度が向上する。
論文 参考訳（メタデータ） (2021-07-29T03:07:11Z) - A Strong Baseline for Crowd Counting and Unsupervised People
Localization [2.690502103971799]
本研究では,クラウドカウントのための強力なベースラインと,推定密度マップに基づく非教師なしの人物ローカライゼーションアルゴリズムについて検討する。
さまざまなバックボーンを収集して,その変更の影響を評価します。
そこで本研究では,KMeansと命名されたクラスタリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-07T08:29:03Z) - 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) - 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。