論文の概要: Boosting Adverse Weather Crowd Counting via Multi-queue Contrastive Learning
- arxiv url: http://arxiv.org/abs/2408.05956v3
- Date: Thu, 08 May 2025 02:20:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-09 15:15:31.832097
- Title: Boosting Adverse Weather Crowd Counting via Multi-queue Contrastive Learning
- Title（参考訳）: マルチキューコントラスト学習による逆気象群カウントの強化
- Authors: Tianhang Pan, Xiuyi Jia,
- Abstract要約: マルチキューコントラスト学習(MQCL)と呼ばれる2段階の群集カウント手法を提案する。
MQCLは、悪天候下でのカウントエラーを22%削減し、計算負荷の約13%の増加しか導入していない。
- 参考スコア（独自算出の注目度）: 8.692139673789555
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Currently, most crowd counting methods have outstanding performance under normal weather conditions. However, our experimental validation reveals two key obstacles limiting the accuracy improvement of crowd counting models: 1) the domain gap between the adverse weather and the normal weather images; 2) the weather class imbalance in the training set. To address the problems, we propose a two-stage crowd counting method named Multi-queue Contrastive Learning (MQCL). Specifically, in the first stage, our target is to equip the backbone network with weather-awareness capabilities. In this process, a contrastive learning method named multi-queue MoCo designed by us is employed to enable representation learning under weather class imbalance. After the first stage is completed, the backbone model is "mature" enough to extract weather-related representations. On this basis, we proceed to the second stage, in which we propose to refine the representations under the guidance of contrastive learning, enabling the conversion of the weather-aware representations to the normal weather domain. Through such representation and conversion, the model achieves robust counting performance under both normal and adverse weather conditions. Extensive experimental results show that, compared to the baseline, MQCL reduces the counting error under adverse weather conditions by 22%, while introducing only about 13% increase in computational burden, which achieves state-of-the-art performance.
- Abstract（参考訳）: 現在、ほとんどの群集カウント法は、通常の気象条件下では優れた性能を保っている。
しかし, 実験による検証では, 群集数モデルの精度向上を抑える2つの重要な障害が明らかとなった。
1) 悪天候と正常な気象画像との領域ギャップ
2)トレーニングセットにおける気象クラスの不均衡。
そこで本研究では,Multi-queue Contrastive Learning (MQCL) という2段階のクラウドカウント手法を提案する。
具体的には、第1段階では、バックボーンネットワークに天気予報機能を持たせることを目的としています。
このプロセスでは、気象クラス不均衡下での表現学習を可能にするために、私たちによって設計されたマルチキューMoCoというコントラスト学習手法が採用されている。
最初の段階が完了すると、バックボーンモデルは気象に関する表現を抽出するのに十分な「成熟」である。
本研究は第2段階に進み、コントラスト学習の指導の下で表現を洗練し、気象に配慮した表現を通常の気象領域に変換することを提案する。
このような表現と変換により、正常な気象条件と悪天候条件の両方で頑健なカウント性能が得られる。
総合的な実験結果から, MQCLはベースラインに比べて悪天候条件下でのカウント誤差を22%削減し, 計算負荷の約13%増加に留まり, 最先端性能を実現していることがわかった。
関連論文リスト
- WeatherGFM: Learning A Weather Generalist Foundation Model via In-context Learning [69.82211470647349]
第1次一般気象基礎モデル(WeatherGFM)を紹介する。
気象理解タスクの幅広い範囲を統一的な方法で解決する。
我々のモデルは、天気予報、超解像、天気画像翻訳、後処理など、最大10の気象理解タスクを効果的に処理できる。
論文 参考訳（メタデータ） (2024-11-08T09:14:19Z) - WeatherProof: Leveraging Language Guidance for Semantic Segmentation in Adverse Weather [8.902960772665482]
本研究では,悪天候下で撮影された画像からセマンティックセグメンテーションマップを推定する方法を提案する。
まず、雨や霧、雪などの気象条件によって劣化した画像の既存のモデルを調べる。
気象画像の正当性を考慮した最初のセマンティックセマンティックセグメンテーションデータセットであるWeatherProofを提案する。
論文 参考訳（メタデータ） (2024-03-21T22:46:27Z) - Genuine Knowledge from Practice: Diffusion Test-Time Adaptation for
Video Adverse Weather Removal [53.15046196592023]
ビデオの悪天候除去におけるテスト時間適応について紹介する。
本稿では,テスト時間適応を反復拡散逆プロセスに統合する最初のフレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-12T14:21:30Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - 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) - Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。
Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。
ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
論文 参考訳（メタデータ） (2023-12-06T19:46:06Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - MetaWeather: Few-Shot Weather-Degraded Image Restoration [17.63266150036311]
メタウェザー(MetaWeather)は、多様な新しい気象条件を単一の統一モデルで処理できる普遍的なアプローチである。
メタウェザーは未確認の気象条件に適応でき、最先端のマルチウェザー画像復元法よりも優れることを示す。
論文 参考訳（メタデータ） (2023-08-28T06:25:40Z) - 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) - Counting Crowds in Bad Weather [68.50690406143173]
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。
論文 参考訳（メタデータ） (2023-06-02T00:00:09Z)
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。