論文の概要: Crowd counting with segmentation attention convolutional neural network
- arxiv url: http://arxiv.org/abs/2204.07380v1
- Date: Fri, 15 Apr 2022 08:40:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-18 18:51:11.579100
- Title: Crowd counting with segmentation attention convolutional neural network
- Title（参考訳）: セグメンテーション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, Zengfu Wang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 20.315829094519128
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning occupies an undisputed dominance in crowd counting. In this
paper, we propose a novel convolutional neural network (CNN) architecture
called SegCrowdNet. Despite the complex background in crowd scenes, the
proposeSegCrowdNet still adaptively highlights the human head region and
suppresses the non-head region by segmentation. With the guidance of an
attention mechanism, the proposed SegCrowdNet pays more attention to the human
head region and automatically encodes the highly refined density map. The crowd
count can be obtained by integrating the density map. To adapt the variation of
crowd counts, SegCrowdNet intelligently classifies the crowd count of each
image into several groups. In addition, the multi-scale features are learned
and extracted in the proposed SegCrowdNet to overcome the scale variations of
the crowd. To verify the effectiveness of our proposed method, extensive
experiments are conducted on four challenging datasets. The results demonstrate
that our proposed SegCrowdNet achieves excellent performance compared with the
state-of-the-art methods.
- Abstract（参考訳）: ディープラーニングは、群衆数において明白な支配を担っている。
本稿では,SegCrowdNetと呼ばれる新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
群衆シーンの複雑な背景にもかかわらず、SegCrowdNetは人間の頭部領域を適応的に強調し、セグメント化によって非頭部領域を抑制する。
注意機構の指導により、提案するsegcrowdnetは人間の頭部領域に注意を払い、高度に洗練された密度マップを自動的にエンコードする。
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。
群衆数の変化に対応するために、segcrowdnetは各画像の群衆数をインテリジェントに複数のグループに分類する。
さらに,提案するsegcrowdnetにおいて,複数のスケール特徴を学習し抽出し,群衆のスケール変動を克服する。
提案手法の有効性を検証するために,4つの挑戦的データセットに対して広範な実験を行った。
その結果,提案したSegCrowdNetは最先端の手法と比較して優れた性能を示した。
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) - 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) - 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 crowd attention convolutional neural network [23.96936386014949]
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。
論文 参考訳（メタデータ） (2022-04-15T06:51:58Z) - BBA-net: A bi-branch attention network for crowd counting [25.82337203107288]
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。
論文 参考訳（メタデータ） (2022-01-22T07:30:52Z) - 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) - Multi-Level Attentive Convoluntional Neural Network for Crowd Counting [12.61997540961144]
クラウドカウントのためのマルチレベル注意型畳み込みニューラルネットワーク(MLAttnCNN)を提案する。
我々は、複数の異なるスケールをプールに適用した高レベルの文脈情報を抽出する。
マルチレベルアテンションモジュールを用いて、異なる層の特徴を豊かにし、より効率的なマルチスケール機能融合を実現する。
論文 参考訳（メタデータ） (2021-05-24T17:29:00Z) - Multi-Scale Context Aggregation Network with Attention-Guided for Crowd
Counting [23.336181341124746]
群衆カウントは、人の数を予測し、画像内の密度マップを生成することを目的としている。
さまざまなヘッドスケール、画像間の群衆分布の多様性、散らかった背景など、多くの課題がある。
本稿では,クラウドカウントのための単一カラムエンコーダ・デコーダアーキテクチャに基づくマルチスケールコンテキストアグリゲーションネットワーク(mscanet)を提案する。
論文 参考訳（メタデータ） (2021-04-06T02:24:06Z) - Scale-Aware Network with Regional and Semantic Attentions for Crowd
Counting under Cluttered Background [7.108205342578417]
本稿では,地域的,意味的に注意を向けるスケールアウェア群数ネットワーク(saccn)を提案する。
提案するsaccnは,地域的・意味的自己照査機構を適用し,群衆と背景を区別する。
すべてのコードと事前トレーニングされたモデルはすぐにリリースされる。
論文 参考訳（メタデータ） (2021-01-05T12:20:10Z) - 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) - Shallow Feature Based Dense Attention Network for Crowd Counting [103.67446852449551]
静止画像から群衆を数えるためのShallow機能に基づくDense Attention Network (SDANet)を提案する。
提案手法は,SDANetの11.9%の平均絶対誤差(MAE)低下から明らかなように,既存の手法よりも大きなマージンで優れている。
論文 参考訳（メタデータ） (2020-06-17T13:34:42Z)
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。