Fugu-MT 論文翻訳(概要): Counting Varying Density Crowds Through Density Guided Adaptive Selection CNN and Transformer Estimation

論文の概要: Counting Varying Density Crowds Through Density Guided Adaptive Selection CNN and Transformer Estimation

arxiv url: http://arxiv.org/abs/2206.10075v1
Date: Tue, 21 Jun 2022 02:05:41 GMT
ステータス: 処理完了
システム内更新日: 2022-06-22 16:55:33.173677
Title: Counting Varying Density Crowds Through Density Guided Adaptive Selection CNN and Transformer Estimation
Title（参考訳）: 密度誘導適応選択CNNと変圧器推定による変動密度集団の計数
Authors: Yuehai Chen, Jing Yang, Badong Chen and Shaoyi Du
Abstract要約: 人間は低密度領域の標的を見つけ、数え、高密度領域の数を推論する傾向がある。本研究では,CNN と Transformer Adaptive Selection Network (CTASNet) を提案する。
参考スコア（独自算出の注目度）: 25.050801798414263
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In real-world crowd counting applications, the crowd densities in an image vary greatly. When facing with density variation, human tend to locate and count the target in low-density regions, and reason the number in high-density regions. We observe that CNN focus on the local information correlation using a fixed-size convolution kernel and the Transformer could effectively extract the semantic crowd information by using the global self-attention mechanism. Thus, CNN could locate and estimate crowd accurately in low-density regions, while it is hard to properly perceive density in high-density regions. On the contrary, Transformer, has a high reliability in high-density regions, but fails to locate the target in sparse regions. Neither CNN or Transformer can well deal with this kind of density variations. To address this problem, we propose a CNN and Transformer Adaptive Selection Network (CTASNet) which can adaptively select the appropriate counting branch for different density regions. Firstly, CTASNet generates the prediction results of CNN and Transformer. Then, considering that CNN/Transformer are appropriate for low/high-density regions, a density guided Adaptive Selection Module is designed to automatically combine the predictions of CNN and Transformer. Moreover, to reduce the influences of annotation noise, we introduce a Correntropy based Optimal Transport loss. Extensive experiments on four challenging crowd counting datasets have validated the proposed method.
Abstract（参考訳）: 実世界の群衆カウントアプリケーションでは、画像内の群衆密度は大きく異なる。密度の変化に直面した場合、人間は低密度領域の目標を特定して数え、高密度領域の数を推論する傾向がある。我々は,CNNが固定サイズの畳み込みカーネルを用いて局所的な情報相関に注目し,トランスフォーマーがグローバルな自己認識機構を用いて意味的な群集情報を効果的に抽出できることを観察した。したがって、CNNは低密度領域における群衆の正確な位置と推定が可能であり、高密度領域における密度を適切に知覚することは困難である。逆にTransformerは、高密度領域では高い信頼性を持つが、スパース領域ではターゲットを見つけることができない。 CNNもTransformerも、このような密度の変動には対処できない。そこで本研究では,cnnおよびtransformer適応選択ネットワーク(ctasnet)を提案する。まず、CTASNetはCNNとTransformerの予測結果を生成する。そして、CNN/Transformerが低密度領域や高密度領域に適していることを考慮し、CNNとTransformerの予測を自動的に組み合わせる密度誘導適応選択モジュールを設計する。さらに,アノテーションノイズの影響を低減するために,コレントロピーに基づく最適搬送損失を提案する。提案手法は,4つの挑戦的集団計数データセットに関する広範囲な実験により検証された。

関連論文リスト

OA-CNNs: Omni-Adaptive Sparse CNNs for 3D Semantic Segmentation [70.17681136234202]
設計上の違いを再検討し、スパースCNNが達成できることの限界をテストする。本稿では,このギャップを埋めるために,適応受容場(親和性)と適応関係という2つの重要な要素を提案する。この調査により、軽量モジュールを統合するネットワークのファミリーであるOmni-Adaptive 3D CNN(OA-CNN)が開発された。
論文参考訳（メタデータ） (2024-03-21T14:06:38Z)
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)
SwinV2DNet: Pyramid and Self-Supervision Compounded Feature Learning for Remote Sensing Images Change Detection [12.727650696327878]
本稿では,変換器とCNNの利点を継承するために,エンドツーエンドの複合ネットワークSwinV2DNetを提案する。これは、密に接続されたSwin V2バックボーンを通じて、変更関係の機能をキャプチャする。 CNNブランチを通じて、低レベルの事前変更と後変更の機能を提供する。
論文参考訳（メタデータ） (2023-08-22T03:31:52Z)
Studying inductive biases in image classification task [0.0]
自己注意構造(SA)は、局所的に独立したフィルタを持ち、かつて人気だった畳み込みニューラルネットワーク(CNN)と矛盾する大きなカーネルを使用することができる。文脈認識が重要な要素であることは明らかだが,CAパラメータの構築には大規模なローカル情報が必要ではなかった。
論文参考訳（メタデータ） (2022-10-31T08:43:26Z)
Rethinking Spatial Invariance of Convolutional Networks for Object Counting [119.83017534355842]
局所連結ガウス核を用いて元の畳み込みフィルタを置き換え、密度写像の空間位置を推定する。従来の研究から着想を得て,大規模なガウス畳み込みの近似を好意的に実装するために,翻訳不変性を伴う低ランク近似を提案する。提案手法は,他の最先端手法を著しく上回り,物体の空間的位置の有望な学習を実現する。
論文参考訳（メタデータ） (2022-06-10T17:51:25Z)
Contextual Attention Network: Transformer Meets U-Net [0.0]
畳み込みニューラルネットワーク(CNN)はデファクトスタンダードとなり、医療画像セグメンテーションにおいて大きな成功を収めた。しかし、CNNベースのメソッドは、長距離依存関係とグローバルコンテキスト接続を構築するのに失敗する。最近の論文では、医療画像分割タスクにTransformerの変種を活用している。
論文参考訳（メタデータ） (2022-03-02T21:10:24Z)
TransCrowd: Weakly-Supervised Crowd Counting with Transformer [56.84516562735186]
今回提案するTransCrowdは、Transformerに基づくシーケンス・ツー・カウントの観点から、監視の弱い群衆カウント問題を再構成する。 5つのベンチマークデータセットの実験は、提案されたTransCrowdが、弱い監視されたCNNベースのカウント方法すべてと比較して優れたパフォーマンスを達成することを示しています。
論文参考訳（メタデータ） (2021-04-19T08:12:50Z)
Uncertainty Estimation and Sample Selection for Crowd Counting [87.29137075538213]
予測された密度マップに関連する不確実性値とともに,群衆密度マップを予測できる画像に基づく群集カウント手法を提案する。既存のクラウドカウント手法に比べて,提案手法の重要な利点は,予測の不確かさを定量化できることである。サンプル選択戦略は、ソースドメイン上でトレーニングされたカウントネットワークをターゲットドメインに適応させるために必要なラベル付きデータの量を劇的に削減することを示す。
論文参考訳（メタデータ） (2020-09-30T03:40:07Z)
Region Growing with Convolutional Neural Networks for Biomedical Image Segmentation [1.5469452301122177]
本稿では,各座標方向の予測マスク領域を反復的に成長させることにより,畳み込みニューラルネットワーク(CNN)を用いてセグメンテーションを行う手法を提案する。我々は、CNNの確率スコアのしきい値を用いて、その領域にピクセルが追加され、その領域に新しいピクセルが加わらないまで繰り返し続けるかどうかを判定する。本手法は,少量のトレーニングデータを活用するとともに,計算効率を保ちながら,高いセグメンテーション精度を達成し,生物学的に現実的な形態的特徴を維持できる。
論文参考訳（メタデータ） (2020-09-23T17:53:00Z)
Approximation and Non-parametric Estimation of ResNet-type Convolutional Neural Networks [52.972605601174955]
本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。 Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
論文参考訳（メタデータ） (2019-03-24T19:42:39Z)

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。