論文の概要: Reinforcing Local Feature Representation for Weakly-Supervised Dense Crowd Counting

• arxiv url: http://arxiv.org/abs/2202.10681v1
• Date: Tue, 22 Feb 2022 05:53:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-23 15:33:46.163350
• Title: Reinforcing Local Feature Representation for Weakly-Supervised Dense Crowd Counting
• Title（参考訳）: 弱みを加味した群集の局所的特徴表現の強化
• Authors: Xiaoshuang Chen, Hongtao Lu
• Abstract要約: 本稿では,局所表現の強化を目的とした自己適応型特徴類似性学習ネットワークとグローバル局所整合性損失を提案する。 異なるバックボーンをベースとした提案手法は,弱教師付き群集数と完全教師付き群集数とのギャップを狭める。
• 参考スコア（独自算出の注目度）: 21.26385035473938
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fully-supervised crowd counting is a laborious task due to the large amounts of annotations. Few works focus on weekly-supervised crowd counting, where only the global crowd numbers are available for training. The main challenge of weekly-supervised crowd counting is the lack of local supervision information. To address this problem, we propose a self-adaptive feature similarity learning (SFSL) network and a global-local consistency (GLC) loss to reinforce local feature representation. We introduce a feature vector which represents the unbiased feature estimation of persons. The network updates the feature vector self-adaptively and utilizes the feature similarity for the regression of crowd numbers. Besides, the proposed GLC loss leverages the consistency between the network estimations from global and local areas. The experimental results demonstrate that our proposed method based on different backbones narrows the gap between weakly-supervised and fully-supervised dense crowd counting.
• Abstract（参考訳）: 完全に監督された群衆のカウントは、大量のアノテーションのため面倒な作業です。 毎週の観衆数に焦点をあてる作業はほとんどなく、世界的な観衆数のみがトレーニングに利用できる。 毎週監視される群衆数の主な課題は、現地の監督情報の欠如である。 この問題に対処するため,ローカルな特徴表現を強化するために,自己適応型特徴類似学習(SFSL)ネットワークとグローバルな局所一貫性(GLC)損失を提案する。 本稿では,個人の偏りのない特徴推定を表す特徴ベクトルを提案する。 ネットワークは特徴ベクトルを自己適応的に更新し、群数の回帰に特徴類似性を利用する。 さらに、提案したGLC損失は、グローバルおよびローカル領域からのネットワーク推定の整合性を利用する。 実験により, 異なるバックボーンに基づく提案手法は, 弱教師付き群集数と完全教師付き群集数とのギャップを狭めることを示した。

関連論文リスト

• 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)
• Integrating Local Real Data with Global Gradient Prototypes for Classifier Re-Balancing in Federated Long-Tailed Learning [60.41501515192088]
  フェデレートラーニング(FL)は、グローバルモデルを協調的にトレーニングする複数のクライアントを含む、人気のある分散ラーニングパラダイムになっています。 データサンプルは通常、現実世界の長い尾の分布に従っており、分散化された長い尾のデータのFLは、貧弱なグローバルモデルをもたらす。 本研究では、局所的な実データとグローバルな勾配のプロトタイプを統合し、局所的なバランスの取れたデータセットを形成する。
  論文  参考訳（メタデータ） (2023-01-25T03:18:10Z)
• CrowdMLP: Weakly-Supervised Crowd Counting via Multi-Granularity MLP [19.42355176075503]
  既存の最先端のクラウドカウントアルゴリズムは、位置レベルのアノテーションに過度に依存している。 CrowdMLPが紹介され、埋め込みのグローバルな依存関係をモデル化し、合計数を削減している。 実験により、CrowdMLPは既存の弱い教師付きカウントアルゴリズムよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-15T19:57:55Z)
• CrowdFormer: Weakly-supervised Crowd counting with Improved Generalizability [2.8174125805742416]
  本稿では,ピラミッド・ビジョン・トランスを用いた群集カウント手法を提案する。 我々の手法は,ベンチマーククラウドデータセットの最先端技術に匹敵するものである。
  論文  参考訳（メタデータ） (2022-03-07T23:10:40Z)
• Boosting Crowd Counting via Multifaceted Attention [109.89185492364386]
  大規模なバリエーションは、しばしば群衆画像の中に存在する。 CNNの固定サイズ畳み込みカーネルも、最近の視覚変換器の固定サイズアテンションも、このような変動には対処できない。 局所空間関係符号化におけるトランスフォーマーモデルを改善するための多面的注意ネットワーク(MAN)を提案する。
  論文  参考訳（メタデータ） (2022-03-05T01:36:43Z)
• 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)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)
• Dense Point Prediction: A Simple Baseline for Crowd Counting and Localization [17.92958745980573]
  SCALNetという簡便かつ効果的なクラウドカウント・ローカリゼーションネットワークを提案します。 これらのタスクをピクセル単位での密集した予測問題と考え,エンドツーエンドのフレームワークに統合する。 近年の大規模ベンチマークであるNWPU-Crowdの実験により, 提案手法は, 群集のローカライゼーションおよびカウントタスクにおいて, それぞれ5%以上, 10%以上向上していることがわかった。
  論文  参考訳（メタデータ） (2021-04-26T12:08:08Z)
• 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)
• 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)
• Global Distance-distributions Separation for Unsupervised Person Re-identification [93.39253443415392]
  既存の教師なしのReIDアプローチは、距離ベースのマッチング/ランク付けを通じて正のサンプルと負のサンプルを正しく識別するのに失敗することが多い。 本研究では,2つの分布に対する大域的距離分布分離の制約を導入し,大域的視点から正と負のサンプルを明確に分離することを奨励する。 本研究では,本手法がベースラインを大幅に改善し,最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-06-01T07:05:39Z)

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。