論文の概要: GCNet: Probing Self-Similarity Learning for Generalized Counting Network

• arxiv url: http://arxiv.org/abs/2302.05132v1
• Date: Fri, 10 Feb 2023 09:31:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-13 16:11:52.983310
• Title: GCNet: Probing Self-Similarity Learning for Generalized Counting Network
• Title（参考訳）: GCNet: 一般化カウントネットワークのための自己相似学習の提案
• Authors: Mingjie Wang and Yande Li and Jun Zhou and Graham W. Taylor and Minglun Gong
• Abstract要約: 一般カウントネットワーク(GCNet)は、画像全体の適応的な例を認識するために開発された。 GCNetは、慎重に設計された自己相似学習戦略を通じてそれらを適応的にキャプチャすることができる。 既存の例によるメソッドと同等に動作し、クラウド固有のデータセット上で、驚くべきクロスデータセットの汎用性を示している。
• 参考スコア（独自算出の注目度）: 24.09746233447471
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The class-agnostic counting (CAC) problem has caught increasing attention recently due to its wide societal applications and arduous challenges. To count objects of different categories, existing approaches rely on user-provided exemplars, which is hard-to-obtain and limits their generality. In this paper, we aim to empower the framework to recognize adaptive exemplars within the whole images. A zero-shot Generalized Counting Network (GCNet) is developed, which uses a pseudo-Siamese structure to automatically and effectively learn pseudo exemplar clues from inherent repetition patterns. In addition, a weakly-supervised scheme is presented to reduce the burden of laborious density maps required by all contemporary CAC models, allowing GCNet to be trained using count-level supervisory signals in an end-to-end manner. Without providing any spatial location hints, GCNet is capable of adaptively capturing them through a carefully-designed self-similarity learning strategy. Extensive experiments and ablation studies on the prevailing benchmark FSC147 for zero-shot CAC demonstrate the superiority of our GCNet. It performs on par with existing exemplar-dependent methods and shows stunning cross-dataset generality on crowd-specific datasets, e.g., ShanghaiTech Part A, Part B and UCF_QNRF.
• Abstract（参考訳）: CAC(class-agnostic counting)問題は最近、広範囲の社会的応用と困難な課題により注目を集めている。 異なるカテゴリのオブジェクトを数えるために、既存のアプローチはユーザーが提供するexemplarsに依存しています。 本稿では,このフレームワークが画像全体において適応的な例を認識できるようにすることを目的としている。 ゼロショット一般化計数ネットワーク(GCNet)が開発され、擬似シーム構造を用いて、固有の反復パターンから擬似例手がかりを自動かつ効果的に学習する。 さらに, 従来のCACモデルすべてで要求される手間のかかる密度マップの負担を軽減するため, GCNetをエンドツーエンドにカウントレベル監視信号を用いてトレーニングする手法も提案されている。 空間的な位置のヒントを提供することなく、gcnetは慎重に設計された自己相似学習戦略を通じてそれらを適応的に捉えることができる。 ゼロショットCACのためのベンチマークFSC147の大規模な実験とアブレーション研究は、GCNetの優位性を示している。 既存の例による手法と同等に動作し、上海技術パートA、パートB、UCF_QNRFなど、群衆固有のデータセット上で、驚くほどのクロスデータセットの一般性を示す。

関連論文リスト

• A Recipe for CAC: Mosaic-based Generalized Loss for Improved Class-Agnostic Counting [27.439965991083177]
  クラスカウント(Class counting, CAC)は、クエリ画像中の任意の参照オブジェクトの総発生数をカウントするために使用できる視覚計算タスクである。 マルチクラスの設定を考えると、モデルは参照イメージを考慮せず、クエリイメージ内のすべての支配的なオブジェクトを盲目的にマッチさせます。 既存のCAC評価手法の背景にある問題を解決するための新しい評価プロトコルとメトリクスを導入する。
  論文  参考訳（メタデータ） (2024-04-15T14:23:39Z)
• CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
  我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。 ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。 人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
  論文  参考訳（メタデータ） (2024-03-28T15:45:03Z)
• GACL: Exemplar-Free Generalized Analytic Continual Learning [20.49481895737308]
  クラスインクリメンタルラーニング(CIL)は、各タスクにカテゴリを分けた逐次的なタスクでネットワークをトレーニングするが、破滅的な忘れに苦しむ。 一般化されたCIL(GCIL)は、より現実的なシナリオにおいてCILの問題に対処することを目的としている。 汎用解析連続学習(GACL)という,先進的なGCIL手法を提案する。
  論文  参考訳（メタデータ） (2024-03-23T03:56:31Z)
• SQLNet: Scale-Modulated Query and Localization Network for Few-Shot Class-Agnostic Counting [71.38754976584009]
  CAC(class-agnostic counting)タスクは、最近、任意のクラスの全てのオブジェクトを、入力画像にいくつかの例を付与してカウントする問題を解くために提案されている。 我々は、スケール変調クエリーおよびローカライズネットワーク(Net)と呼ばれる、新しいローカライズベースのCACアプローチを提案する。 クエリとローカライゼーションの段階において、模範者のスケールを完全に探求し、各オブジェクトを正確に位置付けし、その近似サイズを予測することで、効果的なカウントを実現している。
  論文  参考訳（メタデータ） (2023-11-16T16:50:56Z)
• Consistency-Regularized Region-Growing Network for Semantic Segmentation of Urban Scenes with Point-Level Annotations [17.13291434132985]
  アノテーションの負担を軽減するために,整合性規則化領域成長ネットワーク(CRGNet)を提案する。 CRGNetは、アノテート領域を元のスパースポイントから拡張するために、信頼度の高いラベル付き画素を反復的に選択する。 このような単純な正規化戦略は、領域の成長するメカニズムの品質を制御するのに非常に有用である。
  論文  参考訳（メタデータ） (2022-02-08T09:27:01Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
  本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。 まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。 第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
  論文  参考訳（メタデータ） (2021-08-29T05:45:03Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)
• Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
  重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。 提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
  論文  参考訳（メタデータ） (2020-04-01T13:39:37Z)

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。