論文の概要: A Robust Bi-Directional Algorithm For People Count In Crowded Areas
- arxiv url: http://arxiv.org/abs/2311.03323v1
- Date: Mon, 6 Nov 2023 18:18:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 13:24:43.619257
- Title: A Robust Bi-Directional Algorithm For People Count In Crowded Areas
- Title（参考訳）: 人混みの地域を数えるためのロバストな双方向アルゴリズム
- Authors: Satyanarayana Penke, Gopikrishna Pavuluri, Soukhya Kunda, Satvik M,
CharanKumar Y
- Abstract要約: 本稿では,Blobアセスメントを中心にした人物カウントアルゴリズムを提案する。
この作業の中核となる前提は、特定の領域に関連する人々の流入と流出の数を複雑にすることだ。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: People counting system in crowded places has become a very useful practical
application that can be accomplished in various ways which include many
traditional methods using sensors. Examining the case of real time scenarios,
the algorithm espoused should be steadfast and accurate. People counting
algorithm presented in this paper, is centered on blob assessment, devoted to
yield the count of the people through a path along with the direction of
traversal. The system depicted is often ensconced at the entrance of a building
so that the unmitigated frequency of visitors can be recorded. The core premise
of this work is to extricate count of people inflow and outflow pertaining to a
particular area. The tot-up achieved can be exploited for purpose of statistics
in the circumstances of any calamity occurrence in that zone. Relying upon the
count totaled, the population in that vicinity can be assimilated in order to
take on relevant measures to rescue the people.
- Abstract（参考訳）: 混み合った場所での人計数システムは、センサーを用いた多くの伝統的な方法を含む様々な方法で達成できる非常に有用な実用的応用となっている。
リアルタイムシナリオのケースを調べると、アルゴリズムは安定して正確であるべきです。
本論文で提示した人物カウントアルゴリズムは,横断方向に沿った経路を通した人物カウントの獲得を目的としたブロブアセスメントを中心にしている。
展示されているシステムは、しばしば建物の入り口に収まるので、不便な訪問者の頻度を記録できる。
この作業の中核となる前提は、特定の領域に関連する人々の流入と流出の数を複雑にすることだ。
達成されたトートアップは、そのゾーンで発生した災厄の状況における統計の目的で活用することができる。
総数に依拠して、その付近の人口は、人々を救うための適切な措置をとるために同化することができる。
関連論文リスト
- Real-Time AI-Driven People Tracking and Counting Using Overhead Cameras [12.04532778397946]
本研究では,新しい物体追跡アルゴリズム,新しい計数アルゴリズム,微調整対象検出モデルを組み合わせた新しい手法を提案する。
低消費電力エッジコンピュータ上でのフレームレート20～27FPSでリアルタイムに97%の精度を実現する。
論文 参考訳（メタデータ） (2024-11-15T09:37:49Z) - Learning-Based Heavy Hitters and Flow Frequency Estimation in Streams [9.22255012731159]
そこで本研究では,まず,大ヒット数,トップk,フロー周波数推定を識別する,LSSと呼ばれる競合カウンタベースのアルゴリズムを提案する。
以上の結果から, LSSは重打点, トップk, 流速推定において, スペースセービングの精度と効率を高めることができることが示された。
論文 参考訳（メタデータ） (2024-06-24T02:31:00Z) - Robust Zero-Shot Crowd Counting and Localization With Adaptive Resolution SAM [55.93697196726016]
本稿では,SEEM(Seegment-Everything-Everywhere Model)を用いた簡易かつ効果的な群集カウント手法を提案する。
密集した群集シーンにおけるSEEMの性能は,高密度領域の多くの人々が欠落していることが主な原因である。
提案手法は,群集カウントにおいて最高の教師なし性能を実現すると同時に,いくつかの教師付き手法に匹敵する性能を示す。
論文 参考訳（メタデータ） (2024-02-27T13:55:17Z) - A Strong Baseline for Crowd Counting and Unsupervised People
Localization [2.690502103971799]
本研究では,クラウドカウントのための強力なベースラインと,推定密度マップに基づく非教師なしの人物ローカライゼーションアルゴリズムについて検討する。
さまざまなバックボーンを収集して,その変更の影響を評価します。
そこで本研究では,KMeansと命名されたクラスタリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-07T08:29:03Z) - A Self-Training Approach for Point-Supervised Object Detection and
Counting in Crowds [54.73161039445703]
本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。
トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。
実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2020-07-25T02:14:42Z) - Fine-Grained Crowd Counting [59.63412475367119]
現在の群衆カウントアルゴリズムは、画像内の人の数にのみ関係している。
本研究では,各個体の低レベル行動特性に基づいて,群集をカテゴリに分類する,きめ細かい群集カウントを提案する。
論文 参考訳（メタデータ） (2020-07-13T01:31:12Z) - Semi-Supervised Crowd Counting via Self-Training on Surrogate Tasks [50.78037828213118]
本稿では,機能学習の観点から,半教師付き群集カウント問題に取り組む。
本稿では,2つの革新的なコンポーネント上に構築された,新しい半教師付き群集カウント手法を提案する。
論文 参考訳（メタデータ） (2020-07-07T05:30:53Z) - CNN-based Density Estimation and Crowd Counting: A Survey [65.06491415951193]
本稿では,主にCNNに基づく密度マップ推定法において,群集数モデルについて包括的に検討する。
評価指標から, 観客数データセットで上位3人のパフォーマーを選択した。
我々は、今後のクラウドカウントの展開について、合理的な推測と予測を行うことを期待する。
論文 参考訳（メタデータ） (2020-03-28T13:17:30Z) - A General Method for Robust Learning from Batches [56.59844655107251]
本稿では,バッチから頑健な学習を行う一般的なフレームワークについて考察し,連続ドメインを含む任意の領域に対する分類と分布推定の限界について考察する。
本手法は,一括分節分類,一括分節,単調,対数凹,ガウス混合分布推定のための,最初の頑健な計算効率の学習アルゴリズムを導出する。
論文 参考訳（メタデータ） (2020-02-25T18:53:25Z)
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。