論文の概要: Super-Resolution Information Enhancement For Crowd Counting

• arxiv url: http://arxiv.org/abs/2303.06925v1
• Date: Mon, 13 Mar 2023 08:41:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 15:54:35.953785
• Title: Super-Resolution Information Enhancement For Crowd Counting
• Title（参考訳）: 集団カウントのための超解像情報強調
• Authors: Jiahao Xie, Wei Xu, Dingkang Liang, Zhanyu Ma, Kongming Liang, Weidong Liu, Rui Wang, Ling Jin
• Abstract要約: 既存の手法は、低分解能(LR)環境を無視しながら、観客数を効果的に処理する。 マルチスケール超解法モジュール(MSSRM)と呼ばれるよりエレガントな手法を提案する。 提案手法はSRラベルを必要とするため,さらに超解答クラウドカウントデータセット(SR-Crowd)を提案する。
• 参考スコア（独自算出の注目度）: 29.285992361194467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crowd counting is a challenging task due to the heavy occlusions, scales, and density variations. Existing methods handle these challenges effectively while ignoring low-resolution (LR) circumstances. The LR circumstances weaken the counting performance deeply for two crucial reasons: 1) limited detail information; 2) overlapping head regions accumulate in density maps and result in extreme ground-truth values. An intuitive solution is to employ super-resolution (SR) pre-processes for the input LR images. However, it complicates the inference steps and thus limits application potentials when requiring real-time. We propose a more elegant method termed Multi-Scale Super-Resolution Module (MSSRM). It guides the network to estimate the lost de tails and enhances the detailed information in the feature space. Noteworthy that the MSSRM is plug-in plug-out and deals with the LR problems with no inference cost. As the proposed method requires SR labels, we further propose a Super-Resolution Crowd Counting dataset (SR-Crowd). Extensive experiments on three datasets demonstrate the superiority of our method. The code will be available at https://github.com/PRIS-CV/MSSRM.git.
• Abstract（参考訳）: 群衆の数え上げは、重い咬合、スケール、密度の変化のために難しい課題である。 既存の手法は、低分解能(LR)環境を無視しながらこれらの課題を効果的に処理する。 LRの状況は2つの重要な理由から、計数性能を著しく低下させる。 1) 限られた詳細情報 2) 重なり合う頭部領域は密度マップに蓄積され, 極端に接地値となる。 直感的な解決策は、入力LR画像に超解像前処理を用いることである。 しかし、推論ステップを複雑にし、リアルタイムにアプリケーションの可能性を制限する。 マルチスケール超解法モジュール (MSSRM) と呼ばれるよりエレガントな手法を提案する。 失われたデテールを推定するためにネットワークを誘導し、機能空間の詳細な情報を強化する。 注目すべきは、MSSRMはプラグインプラグインであり、推論コストなしでLR問題を扱うことである。 提案手法はSRラベルを必要とするため,さらに超解答クラウドカウントデータセット(SR-Crowd)を提案する。 3つのデータセットに対する大規模な実験により,本手法の優位性が示された。 コードはhttps://github.com/PRIS-CV/MSSRM.gitで入手できる。

関連論文リスト

• Unveiling Hidden Details: A RAW Data-Enhanced Paradigm for Real-World Super-Resolution [56.98910228239627]
  リアル・ワールド・イメージ・スーパーレゾリューション(Real SR)は、低解像度(LR)画像から高忠実でディテールに富んだ高解像度(HR)画像を生成することを目的としている。 既存のReal SRメソッドは主にLR RGBドメインから詳細を生成することに重点を置いており、しばしば細部における豊かさや忠実さの欠如につながっている。 RAWデータに隠された詳細を用いて既存のRGBのみの手法を補完し、優れた出力を得る。
  論文  参考訳（メタデータ） (2024-11-16T13:29:50Z)
• Latent Diffusion, Implicit Amplification: Efficient Continuous-Scale Super-Resolution for Remote Sensing Images [7.920423405957888]
  E$2$DiffSRは、最先端のSR手法と比較して、客観的な指標と視覚的品質を達成する。 拡散に基づくSR法の推論時間を非拡散法と同程度のレベルに短縮する。
  論文  参考訳（メタデータ） (2024-10-30T09:14:13Z)
• ClearSR: Latent Low-Resolution Image Embeddings Help Diffusion-Based Real-World Super Resolution Models See Clearer [68.72454974431749]
  本稿では、拡散に基づく実世界の超解像(Real-ISR)に対する潜在低分解能画像(LR)埋め込みの利点を活かす新しい手法であるClearSRを提案する。 提案モデルでは,複数のテストセット上で複数の測定値にまたがる性能が向上し,既存の手法よりもLR画像でより一貫したSR結果が得られる。
  論文  参考訳（メタデータ） (2024-10-18T08:35:57Z)
• Enhanced Super-Resolution Training via Mimicked Alignment for Real-World Scenes [51.92255321684027]
  トレーニング中、LR入力とHR画像の整列により、誤調整問題を緩和する新しいプラグアンドプレイモジュールを提案する。 具体的には,従来のLR試料の特徴を保ちながらHRと整合する新しいLR試料を模倣する。 本手法を合成および実世界のデータセット上で総合的に評価し,SRモデルのスペクトル間での有効性を実証した。
  論文  参考訳（メタデータ） (2024-10-07T18:18:54Z)
• Lightweight Stepless Super-Resolution of Remote Sensing Images via Saliency-Aware Dynamic Routing Strategy [15.587621728422414]
  深層学習アルゴリズムは、リモートセンシング画像(RSI)超解像(SR)の性能を大幅に改善した しかし、ネットワークの深さとパラメータの増大は、計算とストレージに大きな負担をもたらす。 本稿では、RSIの軽量でステップレスなSRを実現するために、SalDRN(Saliency-aware dynamic routing network)を提案する。
  論文  参考訳（メタデータ） (2022-10-14T07:49:03Z)
• Towards Lightweight Super-Resolution with Dual Regression Learning [58.98801753555746]
  深層ニューラルネットワークは、画像超解像(SR)タスクにおいて顕著な性能を示した。 SR問題は通常不適切な問題であり、既存の手法にはいくつかの制限がある。 本稿では、SRマッピングの可能な空間を削減するために、二重回帰学習方式を提案する。
  論文  参考訳（メタデータ） (2022-07-16T12:46:10Z)
• High-resolution Depth Maps Imaging via Attention-based Hierarchical Multi-modal Fusion [84.24973877109181]
  誘導DSRのための新しい注意に基づく階層型マルチモーダル融合ネットワークを提案する。 本手法は,再現精度,動作速度,メモリ効率の点で最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:28:33Z)
• Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution [73.86924594746884]
  ディープニューラルネットワークは、画像超解像において有望な性能を示した。 これらのネットワークは、低分解能(LR)画像から高分解能(HR)画像への非線形マッピング関数を学習する。 本稿では,可能な関数の空間を削減するために,LRデータに新たな制約を導入することで,二重回帰手法を提案する。
  論文  参考訳（メタデータ） (2020-03-16T04:23:42Z)

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。