論文の概要: Multi-View People Detection in Large Scenes via Supervised View-Wise Contribution Weighting

• arxiv url: http://arxiv.org/abs/2405.19943v1
• Date: Thu, 30 May 2024 11:03:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-31 14:47:58.268080
• Title: Multi-View People Detection in Large Scenes via Supervised View-Wise Contribution Weighting
• Title（参考訳）: 監督型ビューワイズコントリビューション重み付けによる大規模シーンにおける多視点人物検出
• Authors: Qi Zhang, Yunfei Gong, Daijie Chen, Antoni B. Chan, Hui Huang,
• Abstract要約: 本稿では、教師付きビューワイドコントリビューション重み付け手法の開発により、多視点人物検出の改善に焦点をあてる。 モデルの一般化能力を高めるために、大規模な合成データセットが採用されている。 実験により,提案手法が有望な多面的人物検出性能の実現に有効であることを実証した。
• 参考スコア（独自算出の注目度）: 44.48514301889318
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent deep learning-based multi-view people detection (MVD) methods have shown promising results on existing datasets. However, current methods are mainly trained and evaluated on small, single scenes with a limited number of multi-view frames and fixed camera views. As a result, these methods may not be practical for detecting people in larger, more complex scenes with severe occlusions and camera calibration errors. This paper focuses on improving multi-view people detection by developing a supervised view-wise contribution weighting approach that better fuses multi-camera information under large scenes. Besides, a large synthetic dataset is adopted to enhance the model's generalization ability and enable more practical evaluation and comparison. The model's performance on new testing scenes is further improved with a simple domain adaptation technique. Experimental results demonstrate the effectiveness of our approach in achieving promising cross-scene multi-view people detection performance. See code here: https://vcc.tech/research/2024/MVD.
• Abstract（参考訳）: 近年の深層学習に基づくマルチビュー人検出(MVD)手法は,既存のデータセットに対して有望な結果を示した。 しかし、現在の手法は主に、限られた数のマルチビューフレームと固定カメラビューを持つ小さな単一シーンで訓練され、評価されている。 その結果、これらの手法は、重度の閉塞とカメラキャリブレーションエラーを伴う、より大きく、より複雑なシーンの人々を検出するには実用的ではないかもしれない。 本稿では,大画面下でのマルチカメラ情報の融合を改善するために,教師付きビューワイド・コントリビューション重み付け手法を開発することにより,多視点人物検出の改善に焦点をあてる。 さらに、モデルの一般化能力を高め、より実用的な評価と比較を可能にするために、大規模な合成データセットが採用されている。 新しいテストシーンにおけるモデルの性能は、シンプルなドメイン適応技術によりさらに改善される。 実験により,提案手法が有望な多面的人物検出性能の実現に有効であることを実証した。 コードについては、https://vcc.tech/research/2024/MVDを参照してください。

関連論文リスト

• IndGIC: Supervised Action Recognition under Low Illumination [0.0]
  深層多入力ネットワークを用いた行動認識手法を提案する。 Ind-GICは低照度映像の高精細化のために提案され、1フレームに1ガンマを発生させ、高精細化性能を向上する。 実験結果から,本モデルはARIDデータセットの精度が高いことがわかった。
  論文  参考訳（メタデータ） (2023-08-29T14:41:10Z)
• Diffusion-based Visual Counterfactual Explanations -- Towards Systematic Quantitative Evaluation [64.0476282000118]
  視覚的対物的説明法(VCE)の最新手法は、深い生成モデルの力を利用して、印象的な画質の高次元画像の新しい例を合成する。 評価手順が大きく異なり,個々の実例の視覚検査や小規模なユーザスタディなど,これらのVCE手法の性能を比較することは,現時点では困難である。 本稿では,VCE手法の体系的,定量的評価のためのフレームワークと,使用する指標の最小セットを提案する。
  論文  参考訳（メタデータ） (2023-08-11T12:22:37Z)
• Learning to Select Camera Views: Efficient Multiview Understanding at Few Glances [59.34619548026885]
  本稿では,対象物やシナリオを所定のビューから分析し,処理に最適なビューを選択するビュー選択手法を提案する。 提案手法は,MVSelectという強化学習に基づくカメラ選択モジュールを備えており,ビューの選択だけでなく,タスクネットワークとの協調トレーニングも容易である。
  論文  参考訳（メタデータ） (2023-03-10T18:59:10Z)
• Cross-View Cross-Scene Multi-View Crowd Counting [56.83882084112913]
  従来,複数カメラを用いて1台のカメラの視野を拡大する手法が提案されてきた。 任意のカメラレイアウトで異なるシーンでトレーニングやテストを行う,クロスビュー・クロスシーン(CVCS)のマルチビュー・クラウドカウント・パラダイムを提案する。
  論文  参考訳（メタデータ） (2022-05-03T15:03:44Z)
• DeepMultiCap: Performance Capture of Multiple Characters Using Sparse Multiview Cameras [63.186486240525554]
  deep multicapは、スパースマルチビューカメラを用いたマルチパーソンパフォーマンスキャプチャのための新しい手法である。 本手法では,事前走査型テンプレートモデルを用いることなく,時間変化した表面の詳細をキャプチャできる。
  論文  参考訳（メタデータ） (2021-05-01T14:32:13Z)
• Learning Implicit 3D Representations of Dressed Humans from Sparse Views [31.584157304372425]
  本論文では,スパースなカメラビューから服姿の人間の暗黙的な3D表現を学習するエンドツーエンドのアプローチを提案する。 実験では, 提案手法が, 定量的・定性的に標準データに対する技術水準を上回っていることを示した。
  論文  参考訳（メタデータ） (2021-04-16T10:20:26Z)
• Self-supervised Human Detection and Segmentation via Multi-view Consensus [116.92405645348185]
  本稿では,トレーニング中に幾何学的制約を多視点一貫性という形で組み込むマルチカメラフレームワークを提案する。 本手法は,標準ベンチマークから視覚的に外れた画像に対して,最先端の自己監視的人物検出とセグメンテーション技術に勝ることを示す。
  論文  参考訳（メタデータ） (2020-12-09T15:47:21Z)

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。