論文の概要: Crowd counting with crowd attention convolutional neural network

• arxiv url: http://arxiv.org/abs/2204.07347v1
• Date: Fri, 15 Apr 2022 06:51:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-18 21:39:57.903053
• Title: Crowd counting with crowd attention convolutional neural network
• Title（参考訳）: 群衆注意畳み込みニューラルネットワークを用いた群衆カウント
• Authors: Jiwei Chen, Wen Su, Zengfu Wang
• Abstract要約: 我々は、CAT-CNN(Crowd Attention Convolutional Neural Network)と呼ばれる新しいエンドツーエンドモデルを提案する。 我々のCAT-CNNは、自動的に信頼マップを符号化することで、各画素位置における人間の頭の重要性を適応的に評価することができる。 信頼マップの誘導により、推定密度マップにおける人頭の位置がより注目され、最終的な密度マップを符号化することで、膨大な誤判断を効果的に回避することができる。
• 参考スコア（独自算出の注目度）: 23.96936386014949
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crowd counting is a challenging problem due to the scene complexity and scale variation. Although deep learning has achieved great improvement in crowd counting, scene complexity affects the judgement of these methods and they usually regard some objects as people mistakenly; causing potentially enormous errors in the crowd counting result. To address the problem, we propose a novel end-to-end model called Crowd Attention Convolutional Neural Network (CAT-CNN). Our CAT-CNN can adaptively assess the importance of a human head at each pixel location by automatically encoding a confidence map. With the guidance of the confidence map, the position of human head in estimated density map gets more attention to encode the final density map, which can avoid enormous misjudgements effectively. The crowd count can be obtained by integrating the final density map. To encode a highly refined density map, the total crowd count of each image is classified in a designed classification task and we first explicitly map the prior of the population-level category to feature maps. To verify the efficiency of our proposed method, extensive experiments are conducted on three highly challenging datasets. Results establish the superiority of our method over many state-of-the-art methods.
• Abstract（参考訳）: 群衆のカウントは、シーンの複雑さとスケールのばらつきのために難しい問題である。 深層学習は群集カウントにおいて大きな改善を遂げてきたが、シーンの複雑さはこれらの手法の判断に影響を与え、通常、一部のオブジェクトを誤ってみなす。 そこで本研究では,CAT-CNN (Crowd Attention Convolutional Neural Network) と呼ばれる新しいエンドツーエンドモデルを提案する。 我々のCAT-CNNは、自動的に信頼マップを符号化することで、各画素位置における人間の頭の重要性を適応的に評価することができる。 信頼度マップの指導により、推定密度マップにおける人間の頭部の位置は、最終的な密度マップの符号化により多くの注意を向けるようになる。 最終密度マップを統合することで、群衆数を得ることができる。 高度に洗練された密度マップを符号化するために、各画像の総群衆数を設計分類タスクに分類し、まず、人口レベルのカテゴリの先を特徴マップに明示的にマッピングする。 提案手法の有効性を検証するため,難解な3つのデータセットについて広範な実験を行った。 その結果,多くの最先端手法よりも優れた手法が得られた。

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)
• Scale-Aware Crowd Counting Using a Joint Likelihood Density Map and Synthetic Fusion Pyramid Network [15.882525477601183]
  本研究では,クラウドカウントのためのスケールアウェアロス関数を設計したSPF-Net(Synthetic Fusion Pyramid Network)を開発した。 既存のクラウドカウント手法では、トレーニングアノテーションポイントが正確であると仮定し、ノイズの多いアノテーションが大きなモデル学習バイアスや誤差のカウントにつながることを無視する。 この研究は、エンド・ツー・エンドの損失設計において複数のスケールでこのようなノイズを適切に処理し、群衆に最先端のノイズを数えさせる最初のものである。
  論文  参考訳（メタデータ） (2022-11-13T06:52:47Z)
• 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)
• 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)
• LDC-Net: A Unified Framework for Localization, Detection and Counting in Dense Crowds [103.8635206945196]
  視覚的群集分析の急速な発展は、単に密度マップを要約するのではなく、位置決めや検出によって人を数える傾向を示している。 群集の局所化と検出に関する最近の研究には,1) 群集を扱えない典型的な検出法と,大規模に変化する群集を扱えないこと,2) 密度マップ法は,特に高密度群集や大規模群集において,位置とボックスの予測における性能不足に悩まされていること,の2つの制限がある。
  論文  参考訳（メタデータ） (2021-10-10T07:55:44Z)
• 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)
• 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)
• CNN-based Density Estimation and Crowd Counting: A Survey [65.06491415951193]
  本稿では,主にCNNに基づく密度マップ推定法において,群集数モデルについて包括的に検討する。 評価指標から, 観客数データセットで上位3人のパフォーマーを選択した。 我々は、今後のクラウドカウントの展開について、合理的な推測と予測を行うことを期待する。
  論文  参考訳（メタデータ） (2020-03-28T13:17:30Z)
• PDANet: Pyramid Density-aware Attention Net for Accurate Crowd Counting [7.02081613648832]
  関心領域内の群衆密度の大規模な変動のため、群衆カウントは依然としてオープンな現実の問題である。 PDANetと略される新しいピラミッド密度認識型ネットワークを提案する。これは、注目度、ピラミッドスケール機能、および2つの分岐デコーダモジュールを活用して、密度認識型クラウドカウントを行う。
  論文  参考訳（メタデータ） (2020-01-16T04:26:05Z)

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。