論文の概要: Counting Crowds in Bad Weather
- arxiv url: http://arxiv.org/abs/2306.01209v1
- Date: Fri, 2 Jun 2023 00:00:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-05 17:11:31.061776
- Title: Counting Crowds in Bad Weather
- Title(参考訳): 悪天候で群衆を数える
- Authors: Zhi-Kai Huang, Wei-Ting Chen, Yuan-Chun Chiang, Sy-Yen Kuo, Ming-Hsuan
Yang
- Abstract要約: 本研究では,悪天候シナリオにおいて,ロバストな群集カウント手法を提案する。
モデルでは,外見のバリエーションが大きいことを考慮し,効果的な特徴と適応的なクエリを学習する。
実験の結果,提案アルゴリズムは,ベンチマークデータセット上で異なる気象条件下での群集のカウントに有効であることが示唆された。
- 参考スコア(独自算出の注目度): 68.50690406143173
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Crowd counting has recently attracted significant attention in the field of
computer vision due to its wide applications to image understanding. Numerous
methods have been proposed and achieved state-of-the-art performance for
real-world tasks. However, existing approaches do not perform well under
adverse weather such as haze, rain, and snow since the visual appearances of
crowds in such scenes are drastically different from those images in clear
weather of typical datasets. In this paper, we propose a method for robust
crowd counting in adverse weather scenarios. Instead of using a two-stage
approach that involves image restoration and crowd counting modules, our model
learns effective features and adaptive queries to account for large appearance
variations. With these weather queries, the proposed model can learn the
weather information according to the degradation of the input image and
optimize with the crowd counting module simultaneously. Experimental results
show that the proposed algorithm is effective in counting crowds under
different weather types on benchmark datasets. The source code and trained
models will be made available to the public.
- Abstract(参考訳): 近年、画像理解への幅広い応用により、コンピュータビジョンの分野において、群衆カウントが注目されている。
多くの方法が提案され、実世界のタスクで最先端のパフォーマンスを達成している。
しかし、こうしたシーンの観客の視覚的な外観は、典型的なデータセットの晴れた天気のイメージとは大きく異なるため、既存のアプローチは、ヘイズ、雨、雪などの悪天候下ではうまく機能しない。
本稿では,悪天候シナリオにおけるロバストな群衆カウント手法を提案する。
画像復元と群集カウントモジュールを含む2段階のアプローチの代わりに、我々のモデルは、大きな外観変化を考慮した効果的な特徴と適応的なクエリを学習する。
これらの気象情報を用いて,提案モデルでは,入力画像の劣化に応じて天気情報を学習し,群集カウントモジュールを同時に最適化することができる。
実験の結果,提案アルゴリズムは,ベンチマークデータセット上で異なる気象条件下での群集のカウントに有効であることがわかった。
ソースコードとトレーニングされたモデルが一般公開される予定だ。
関連論文リスト
- Physical Perception Network and an All-weather Multi-modality Benchmark
for Adverse Weather Image Fusion [4.3773535988950725]
マルチモーダル画像融合(MMIF)は、異なるモーダル画像からの補完情報を統合し、シーンの包括的かつ客観的な解釈を提供する。
既存のMMIF法には、現実のシナリオで異なる気象干渉に抵抗する能力がない。
我々は,極度気象条件下でのMMIF研究のベンチマークを確立した。
論文 参考訳(メタデータ) (2024-02-03T09:02:46Z) - WeatherProof: A Paired-Dataset Approach to Semantic Segmentation in
Adverse Weather [9.619700283574533]
本稿では,悪天候条件下での画像の性能向上につながる一般的なペア学習手法を提案する。
我々は、正確な晴天と悪天候画像のペアで、最初のセマンティックセグメンテーションデータセットを作成する。
その結果,これら2組の晴天フレームと悪天候フレームのトレーニングにより,悪天候データの性能が向上することが判明した。
論文 参考訳(メタデータ) (2023-12-15T04:57:54Z) - Learning Real-World Image De-Weathering with Imperfect Supervision [57.748585821252824]
既存の現実世界のデヒータリングデータセットは、接地トラス画像と入力された劣化画像の間に、一貫性のない照明、位置、テクスチャを示すことが多い。
我々は、入力劣化画像と可能な限り一貫性のある擬似ラベルを生成するための一貫性ラベルコンストラクタ(CLC)を開発した。
我々は,従来の不完全ラベルと擬似ラベルを組み合わせることで,情報割当戦略による脱ウェザリングモデルを共同で監督する。
論文 参考訳(メタデータ) (2023-10-23T14:02:57Z) - Exploring the Application of Large-scale Pre-trained Models on Adverse
Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。
このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文 参考訳(メタデータ) (2023-06-15T10:06:13Z) - ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural
Rendering [83.75284107397003]
本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。
本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。
マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2023-05-03T13:24:06Z) - Restoring Vision in Adverse Weather Conditions with Patch-Based
Denoising Diffusion Models [8.122270502556374]
本稿では,拡散確率モデルに基づく新しいパッチベースの画像復元アルゴリズムを提案する。
我々は,気象特性とマルチウェザー画像復元の両面において,最先端の性能を実現するためのアプローチを実証する。
論文 参考訳(メタデータ) (2022-07-29T11:52:41Z) - Photographic Visualization of Weather Forecasts with Generative
Adversarial Networks [11.021099579849079]
本研究では,将来的な気象状況の可視化に写真画像を用いた新しい手法を提案する。
数値気象予測(NWP)モデルの解析と予測状態に基づいて、ジェネレータネットワークは、現在のカメライメージを未来へと変換する。
実写画像と実写画像とを区別することが困難であることを示し、ランダムに推測した場合よりも性能が良くないことを示す。
論文 参考訳(メタデータ) (2022-03-29T14:10:29Z) - Visualising Deep Network's Time-Series Representations [93.73198973454944]
機械学習モデルの普及にもかかわらず、多くの場合、モデルの内部で起きていることに関する洞察のないブラックボックスとして運用される。
本稿では,多次元時系列データの可視化に着目し,この問題に対処する手法を提案する。
高周波在庫市場データセットの実験は、この方法が迅速かつ識別可能な可視化を提供することを示しています。
論文 参考訳(メタデータ) (2021-03-12T09:53:34Z) - Visual Time Series Forecasting: An Image-driven Approach [16.57996422431636]
エージェントが決定を下すためには時系列予測が不可欠である。
実践者からインスパイアされた我々は、視覚的な予測を生成する新しいフレームワークを作成することで、このトピックを再想像する。
論文 参考訳(メタデータ) (2020-11-18T02:51:37Z) - Crowdsampling the Plenoptic Function [56.10020793913216]
このようなデータから時間変動照明下での新しいビュー合成手法を提案する。
本稿では,新しいDeepMPI表現について紹介する。
本手法は従来のMPI法と同等のパララックスとビュー依存効果を合成し, 反射率の変化と光の時間変化を同時に補間する。
論文 参考訳(メタデータ) (2020-07-30T02:52:10Z)
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。