論文の概要: Crowd Counting in Harsh Weather using Image Denoising with Pix2Pix GANs

• arxiv url: http://arxiv.org/abs/2310.07245v1
• Date: Wed, 11 Oct 2023 07:22:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 23:53:44.608175
• Title: Crowd Counting in Harsh Weather using Image Denoising with Pix2Pix GANs
• Title（参考訳）: Pix2Pix GANによる画像デノイングによる湿潤気候の群集計測
• Authors: Muhammad Asif Khan, Hamid Menouar and Ridha Hamila
• Abstract要約: 視覚的群集カウントは、畳み込みニューラルネットワーク(CNN)のようなディープラーニングモデルを用いて、群衆の密度を推定する。 本稿では,まず Pix2Pix 生成逆数ネットワーク (GAN) を用いて,これをカウントモデルに渡す前に,まず群像を復調する手法を提案する。 Pix2Pixネットワークは、オリジナルの群衆画像から生成された合成ノイズ画像を用いて訓練され、事前学習された生成物が推論エンジンで使われ、目に見えない、ノイズの多い群衆画像の群衆密度を推定する。
• 参考スコア（独自算出の注目度）: 2.462045767312954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual crowd counting estimates the density of the crowd using deep learning models such as convolution neural networks (CNNs). The performance of the model heavily relies on the quality of the training data that constitutes crowd images. In harsh weather such as fog, dust, and low light conditions, the inference performance may severely degrade on the noisy and blur images. In this paper, we propose the use of Pix2Pix generative adversarial network (GAN) to first denoise the crowd images prior to passing them to the counting model. A Pix2Pix network is trained using synthetic noisy images generated from original crowd images and then the pretrained generator is then used in the inference engine to estimate the crowd density in unseen, noisy crowd images. The performance is tested on JHU-Crowd dataset to validate the significance of the proposed method particularly when high reliability and accuracy are required.
• Abstract（参考訳）: 視覚群数は畳み込みニューラルネットワーク(cnns)などのディープラーニングモデルを用いて、群衆の密度を推定する。 モデルの性能は,群衆画像を構成するトレーニングデータの品質に大きく依存する。 霧、ほこり、低照度などの厳しい気象条件下では、ノイズやぼやけた画像で推論性能が著しく低下する可能性がある。 本稿では,まず Pix2Pix 生成逆数ネットワーク (GAN) を用いて,これをカウントモデルに渡す前に,群衆像を識別する手法を提案する。 Pix2Pixネットワークは、オリジナルの群衆画像から生成された合成ノイズ画像を用いて訓練され、事前学習された生成物が推論エンジンで使われ、見えない、ノイズの多い群衆画像の群衆密度を推定する。 jhu-crowdデータセット上で性能をテストし、特に高い信頼性と精度を必要とする場合に提案手法の意義を検証する。

関連論文リスト

• Multimodal Crowd Counting with Pix2Pix GANs [2.462045767312954]
  本稿では,色(RGB)画像から熱赤外(TIR)画像を自動的に生成するGAN(Generative Adversarial Network)を提案する。 いくつかの最先端の群集カウントモデルとベンチマーク群集データセットに関する実験は、精度が大幅に向上したことを報告している。
  論文  参考訳（メタデータ） (2024-01-15T10:54:35Z)
• Self-supervised Image Denoising with Downsampled Invariance Loss and Conditional Blind-Spot Network [12.478287906337194]
  ほとんどの代表的自己監督型デノイザーは盲点ネットワークに基づいている。 標準的な盲点ネットワークは、ノイズの画素ワイド相関により、実際のカメラノイズを低減できない。 実雑音を除去できる新しい自己教師型トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-19T08:55:27Z)
• Enhancing convolutional neural network generalizability via low-rank weight approximation [6.763245393373041]
  十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。 ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。 本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-26T14:11:05Z)
• Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
  そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。 我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。 我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
  論文  参考訳（メタデータ） (2022-06-08T06:19:30Z)
• Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training [50.018580462619425]
  我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。 PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。 より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
  論文  参考訳（メタデータ） (2022-04-06T14:09:02Z)
• Geodesic Gramian Denoising Applied to the Images Contaminated With Noise Sampled From Diverse Probability Distributions [0.2578242050187029]
  選択した画像から5つの顕著な確率分布からサンプリングされた雑音を除去する文法に基づくフィルタリング手法 ピクセルではなく、画像から分割されたパッチを採用することで、画像の滑らかさを保ちます。 3つのベンチマークコンピュータビジョンテスト画像を2つの最先端の復調法に適用し,その復調性能を検証した。
  論文  参考訳（メタデータ） (2022-03-04T22:48:12Z)
• IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
  本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。 本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。 実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
  論文  参考訳（メタデータ） (2021-11-29T07:22:53Z)
• Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
  Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。 ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。 デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
  論文  参考訳（メタデータ） (2021-01-08T02:03:25Z)
• Unpaired Learning of Deep Image Denoising [80.34135728841382]
  本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。 自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。 実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
  論文  参考訳（メタデータ） (2020-08-31T16:22:40Z)
• Dual Adversarial Network: Toward Real-world Noise Removal and Noise Generation [52.75909685172843]
  実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。 本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。 本手法はクリーンノイズ画像対の連成分布を学習する。
  論文  参考訳（メタデータ） (2020-07-12T09:16:06Z)

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。