論文の概要: Indoor and Outdoor Crowd Density Level Estimation with Video Analysis through Machine Learning Models

• arxiv url: http://arxiv.org/abs/2405.07419v1
• Date: Mon, 13 May 2024 01:39:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-14 15:04:30.330495
• Title: Indoor and Outdoor Crowd Density Level Estimation with Video Analysis through Machine Learning Models
• Title（参考訳）: 機械学習モデルによる映像解析による屋外・屋外集団密度推定
• Authors: Mahira Arefin, Md. Anwar Hussen Wadud, Anichur Rahman,
• Abstract要約: このプロジェクトは、画像、ビデオ、ウェブカメラから群衆を検出する。 これらの画像、ビデオ、ウェブカメラから、このシステムは人間を検出し、追跡し、特定することができる。 AIシステムは100パーセント以上正確ではないが、このプロジェクトは97%以上正確だ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crowd density level estimation is an essential aspect of crowd safety since it helps to identify areas of probable overcrowding and required conditions. Nowadays, AI systems can help in various sectors. Here for safety purposes or many for public service crowd detection, tracking or estimating crowd level is essential. So we decided to build an AI project to fulfil the purpose. This project can detect crowds from images, videos, or webcams. From these images, videos, or webcams, this system can detect, track and identify humans. This system also can estimate the crowd level. Though this project is simple, it is very effective, user-friendly, and less costly. Also, we trained our system with a dataset. So our system also can predict the crowd. Though the AI system is not a hundred percent accurate, this project is more than 97 percent accurate. We also represent the dataset in a graphical way.
• Abstract（参考訳）: 群衆密度レベル推定は、過密や必要条件の可能性のある領域を特定するのに役立つため、群衆の安全にとって不可欠な側面である。 今日では、AIシステムはさまざまな分野で役に立つ。 ここでは、安全上の目的や、公共サービスによる群衆の検出、追跡、あるいは群衆レベルの推定が不可欠である。 そこで私たちは、目的を達成するためにAIプロジェクトを構築することにしました。 このプロジェクトは、画像、ビデオ、ウェブカメラから群衆を検出する。 これらの画像、ビデオ、ウェブカメラから、このシステムは人間を検出し、追跡し、特定することができる。 このシステムは、群衆レベルを推定することもできる。 このプロジェクトはシンプルですが、非常に効果的で、ユーザフレンドリで、コストも少なくなります。 また、データセットを使ってシステムをトレーニングしました。 私たちのシステムは、群衆を予測することもできます。 AIシステムは100パーセント以上正確ではないが、このプロジェクトは97%以上正確だ。 また、グラフィカルな方法でデータセットを表現します。

関連論文リスト

• Revisiting Crowd Counting: State-of-the-art, Trends, and Future Perspectives [3.2575001434344286]
  群衆カウントは公共の場での状況認識に有効なツールである。 最先端の性能を達成するためのディープラーニング手法が開発されている。
  論文  参考訳（メタデータ） (2022-09-14T08:51:02Z)
• Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
  本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。 本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
  論文  参考訳（メタデータ） (2022-04-24T15:23:25Z)
• MAAD: A Model and Dataset for "Attended Awareness" in Driving [10.463152664328025]
  本研究では,環境に対する参加者の意識を推定するモデルを提案する。 我々のモデルはビデオ形式で入力シーン情報として捉え、ノイズの多い視線推定を行う。 我々は、運転シーンのビデオに出席する23人の被験者の24.5時間の視線シーケンスを含む、高精度な視線追跡装置で新しいデータセットをキャプチャした。
  論文  参考訳（メタデータ） (2021-10-16T16:36:10Z)
• The MineRL BASALT Competition on Learning from Human Feedback [58.17897225617566]
  MineRL BASALTコンペティションは、この重要な種類の技術の研究を促進することを目的としている。 Minecraftでは、ハードコードされた報酬関数を書くのが難しいと期待する4つのタスクのスイートを設計しています。 これら4つのタスクのそれぞれについて、人間のデモのデータセットを提供するとともに、模擬学習ベースラインを提供する。
  論文  参考訳（メタデータ） (2021-07-05T12:18:17Z)
• SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous Driving [94.11868795445798]
  我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。 多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。 我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
  論文  参考訳（メタデータ） (2021-06-21T13:55:57Z)
• PointContrast: Unsupervised Pre-training for 3D Point Cloud Understanding [107.02479689909164]
  本研究では,3次元表現学習の研究を支援することを目的とする。 教師なし事前学習が3Dシーンの大規模なソースセットに与える影響を計測する。
  論文  参考訳（メタデータ） (2020-07-21T17:59:22Z)
• Over-crowdedness Alert! Forecasting the Future Crowd Distribution [87.12694319017346]
  提案手法は,クラウドビデオの逐次的フレームを識別アノテーションを使わずに,近い将来に群衆の分布を予測することを目的として,新しい群集解析問題を定式化したものである。 この問題を解決するために, 連続する群集映像フレームを入力とし, 対応する密度マップを補助情報として利用するグローバルな2ストリームリカレントネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-09T08:59:54Z)
• 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)
• End-to-end Autonomous Driving Perception with Sequential Latent Representation Learning [34.61415516112297]
  エンドツーエンドのアプローチでは、システムをクリーンアップし、人間のエンジニアリングの膨大な努力を避けることができる。 潜在空間は、知覚に有用なすべての関連する特徴を捉えるために導入され、逐次潜在表現学習を通じて学習される。 学習したエンドツーエンドの知覚モデルは、最小限の人間工学的努力だけで検出、追跡、ローカライゼーション、マッピングの問題を解決することができる。
  論文  参考訳（メタデータ） (2020-03-21T05:37:44Z)

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。