論文の概要: Fine-Grained Counting with Crowd-Sourced Supervision

• arxiv url: http://arxiv.org/abs/2205.11398v1
• Date: Mon, 23 May 2022 15:42:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 15:53:53.114898
• Title: Fine-Grained Counting with Crowd-Sourced Supervision
• Title（参考訳）: クラウドソースによる微粒化計数
• Authors: Justin Kay, Catherine M. Foley, and Tom Hart
• Abstract要約: 本研究では,細粒度カウントの課題に対して,その可能性について検討する。 きめ細かい計数には、密集した群衆の中で個人の属性を分類することが含まれる。 動物生態学から得られた8つの微細なクラスからなる1.7百万のクラウドソースアノテーションを含む新しいデータセットを紹介した。
• 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: Crowd-sourcing is an increasingly popular tool for image analysis in animal ecology. Computer vision methods that can utilize crowd-sourced annotations can help scale up analysis further. In this work we study the potential to do so on the challenging task of fine-grained counting. As opposed to the standard crowd counting task, fine-grained counting also involves classifying attributes of individuals in dense crowds. We introduce a new dataset from animal ecology to enable this study that contains 1.7M crowd-sourced annotations of 8 fine-grained classes. It is the largest available dataset for fine-grained counting and the first to enable the study of the task with crowd-sourced annotations. We introduce methods for generating aggregate "ground truths" from the collected annotations, as well as a counting method that can utilize the aggregate information. Our method improves results by 8% over a comparable baseline, indicating the potential for algorithms to learn fine-grained counting using crowd-sourced supervision.
• Abstract（参考訳）: クラウドソーシングは、動物生態学における画像分析のための人気が高まっているツールである。 クラウドソースアノテーションを利用するコンピュータビジョンメソッドは、分析をさらにスケールアップするのに役立つ。 本研究では,細粒度カウントの課題に対して,その可能性を検討する。 通常の群衆カウントのタスクとは対照的に、きめ細かいカウントには、密集した群衆における個人の属性の分類も含まれる。 そこで本稿では,動物生態学の新しいデータセットを導入し,細粒度8クラス17mのクラウドソースアノテーションを含む実験を行った。 細粒度カウントのための最大のデータセットであり、クラウドソースアノテーションによるタスクの研究を可能にする最初のものである。 本稿では,収集したアノテーションから集計された「根拠真理」を生成する手法と,集計情報を活用できる集計方法を紹介する。 提案手法は,アルゴリズムがクラウドソースによる詳細なカウントを学習する可能性を示唆し,比較ベースラインよりも8%向上する。

関連論文リスト

• Granularity Matters in Long-Tail Learning [62.30734737735273]
  より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。 既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。 補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
  論文  参考訳（メタデータ） (2024-10-21T13:06:21Z)
• 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)
• Improve Learning from Crowds via Generative Augmentation [36.38523364192051]
  クラウドソーシングは、教師付き機械学習のための効率的なラベル収集スキーマを提供する。 アノテーションのコストを制御するため、クラウドソースされたデータの各インスタンスは通常、少数のアノテーションによって注釈付けされる。 これにより、余分な問題が発生し、そのようなデータでトレーニングされた機械学習モデルの品質が制限される。
  論文  参考訳（メタデータ） (2021-07-22T04:14:30Z)
• Completely Self-Supervised Crowd Counting via Distribution Matching [92.09218454377395]
  我々は,密集した群集数に対するトレーニングモデルに対する完全な自己超越的アプローチを提案する。 トレーニングに必要な入力は、大量の未ラベルの群衆画像以外は、群衆数に近似した上限である。 提案手法は,自然群集が逆伝播の誤り信号を生成するために利用可能な電力法分布に従うという考え方に富む。
  論文  参考訳（メタデータ） (2020-09-14T13:20:12Z)
• Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
  本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。 MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。 この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
  論文  参考訳（メタデータ） (2020-07-27T17:03:50Z)
• Active Crowd Counting with Limited Supervision [13.09054893296829]
  本稿では,限られた監督下で正確な群集カウントを可能にする能動的学習フレームワークを提案する。 まず、データセットの最も情報性の高い画像に注釈を付けるためのアクティブなラベリング戦略を導入し、その上にカウントモデルを学習する。 ラベリング予算が満たされた最後のサイクルでは、大量の未ラベルデータも利用される。
  論文  参考訳（メタデータ） (2020-07-13T12:07:25Z)
• 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)
• Learning to Count in the Crowd from Limited Labeled Data [109.2954525909007]
  我々は,限られた数のラベル付きサンプルから参加者を数えることを学ぶことで,アノテーションの努力を減らすことに重点を置いている。 具体的には,未ラベルデータに対する擬似地下真理推定を含むガウス過程に基づく反復学習機構を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:17:01Z)
• 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)

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。