論文の概要: Locally Grouped and Scale-Guided Attention for Dense Pest Counting
- arxiv url: http://arxiv.org/abs/2408.16503v1
- Date: Thu, 29 Aug 2024 13:02:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-30 13:52:39.981423
- Title: Locally Grouped and Scale-Guided Attention for Dense Pest Counting
- Title（参考訳）: 集中病害虫計数のための局所的グループ化とスケールガイド型注意
- Authors: Chang-Hwan Son,
- Abstract要約: 本研究は,デジタルトラップによって捕獲された密集した害虫を予測するための,新たな密集した害虫計数問題を提案する。
これらの問題に対処するためには、局所的な注意機構を組み込むことが不可欠である。
本研究では,局所的なグループ化とスケール誘導による注意をマルチスケールのCenterNetフレームワークに統合する新しい設計を提案する。
- 参考スコア（独自算出の注目度）: 1.9580473532948401
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study introduces a new dense pest counting problem to predict densely distributed pests captured by digital traps. Unlike traditional detection-based counting models for sparsely distributed objects, trap-based pest counting must deal with dense pest distributions that pose challenges such as severe occlusion, wide pose variation, and similar appearances in colors and textures. To address these problems, it is essential to incorporate the local attention mechanism, which identifies locally important and unimportant areas to learn locally grouped features, thereby enhancing discriminative performance. Accordingly, this study presents a novel design that integrates locally grouped and scale-guided attention into a multiscale CenterNet framework. To group local features with similar attributes, a straightforward method is introduced using the heatmap predicted by the first hourglass containing pest centroid information, which eliminates the need for complex clustering models. To enhance attentiveness, the pixel attention module transforms the heatmap into a learnable map. Subsequently, scale-guided attention is deployed to make the object and background features more discriminative, achieving multiscale feature fusion. Through experiments, the proposed model is verified to enhance object features based on local grouping and discriminative feature attention learning. Additionally, the proposed model is highly effective in overcoming occlusion and pose variation problems, making it more suitable for dense pest counting. In particular, the proposed model outperforms state-of-the-art models by a large margin, with a remarkable contribution to dense pest counting.
- Abstract（参考訳）: 本研究は,デジタルトラップによって捕獲された密集した害虫を予測するための,新たな密集した害虫計数問題を提案する。
わずかに分散したオブジェクトに対する従来の検出ベースカウントモデルとは異なり、トラップベースの害虫カウントは、密集した害虫分布に対処し、重度の閉塞、広いポーズの変化、色やテクスチャの類似した外観といった課題に対処する必要がある。
これらの問題に対処するためには、局所的に重要かつ重要でない領域を特定して、局所的にグループ化された特徴を学習し、識別性能を高めるローカルアテンション機構を導入することが不可欠である。
そこで本研究では,局所的なグループ化とスケール誘導による注意をマルチスケールのCenterNetフレームワークに統合する新しい設計を提案する。
局所的な特徴を類似した属性でグループ化するために、ペストセントロイド情報を含む1時間ガラスで予測されるヒートマップを用いて簡単な手法を導入し、複雑なクラスタリングモデルの必要性を排除した。
注意力を高めるため、画素アテンションモジュールはヒートマップを学習可能なマップに変換する。
その後、オブジェクトと背景の特徴をより識別し、マルチスケールな特徴融合を実現するために、スケール誘導された注意が配置される。
実験により,局所的なグループ化と識別的特徴強調学習に基づく対象特徴の強化が検証された。
さらに, 本モデルでは, 密集害虫計数に好適なオクルージョン問題を克服し, 変動問題を生じさせるのに極めて有効である。
特に、提案したモデルは、密度の高い害虫数に顕著な貢献をしながら、最先端のモデルを大きなマージンで上回る。
関連論文リスト
- Weakly-Supervised Cross-Domain Segmentation of Electron Microscopy with Sparse Point Annotation [1.124958340749622]
カウント,検出,セグメンテーションタスク間の相関を利用したマルチタスク学習フレームワークを提案する。
ラベル拡張のためのクロスポジションカット・アンド・ペーストを開発し,エントロピーに基づく擬似ラベル選択を行う。
提案手法は, UDA法を著しく上回り, 教師付き手法と同等の性能を発揮する。
論文 参考訳（メタデータ） (2024-03-31T12:22:23Z) - Learning Discriminative Features for Crowd Counting [46.80091947443114]
群集カウントのための学習識別機能フレームワークを提案する。
このフレームワークは、マスク付き特徴予測モジュールと、教師付き画素レベルのコントラスト学習モジュールとから構成される。
提案したモジュールは、クラウドカウントやオブジェクト検出など、様々なコンピュータビジョンタスクにおいて有用である。
論文 参考訳（メタデータ） (2023-11-08T07:54:20Z) - Trap-Based Pest Counting: Multiscale and Deformable Attention CenterNet
Integrating Internal LR and HR Joint Feature Learning [4.721069729610892]
本研究では,マルチスケール・デフォルマブル・アテンション・センターネットと呼ばれる新たな害虫カウントモデルを提案する。
提案モデルを用いて,HRヒートマップをより正確に生成し,害虫計数精度を向上させる。
実験結果から,提案モデルは,最先端の群集カウントや物体検出モデルよりも優れていた。
論文 参考訳（メタデータ） (2023-04-05T08:23:17Z) - PANet: Perspective-Aware Network with Dynamic Receptive Fields and
Self-Distilling Supervision for Crowd Counting [63.84828478688975]
本稿では,視点問題に対処するため,PANetと呼ばれる新しい視点認識手法を提案する。
対象物のサイズが視点効果によって1つの画像で大きく変化するという観測に基づいて,動的受容場(DRF)フレームワークを提案する。
このフレームワークは、入力画像に応じて拡張畳み込みパラメータによって受容野を調整することができ、モデルが各局所領域についてより識別的な特徴を抽出するのに役立つ。
論文 参考訳（メタデータ） (2021-10-31T04:43:05Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳（メタデータ） (2021-06-20T08:20:56Z) - Bayesian Attention Belief Networks [59.183311769616466]
注意に基づくニューラルネットワークは、幅広いタスクにおいて最先端の結果を得た。
本稿では,非正規化注意重みをモデル化してデコーダネットワークを構築するベイズ的注意信念ネットワークについて紹介する。
提案手法は, 精度, 不確実性推定, ドメイン間の一般化, 敵攻撃において, 決定論的注意と最先端の注意よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-06-09T17:46:22Z) - Improve the Interpretability of Attention: A Fast, Accurate, and
Interpretable High-Resolution Attention Model [6.906621279967867]
そこで本稿では,タスク関連情報を取り込むための,非線形代表非パラメトリックアテンション(BR-NPA)戦略を提案する。
提案したモデルは、分類が関与する様々な近代的な深層モデルに容易に適応できる。
また、通常のニューラルアテンションモジュールよりも正確で高速で、メモリフットプリントも小さい。
論文 参考訳（メタデータ） (2021-06-04T15:57:37Z) - Scale Aware Adaptation for Land-Cover Classification in Remote Sensing
Imagery [4.793219747021116]
リモートセンシング画像を用いた土地被覆分類は重要な地球観測課題である。
リモートセンシングイメージでディープセグメンテーションモデルをトレーニングするためのベンチマークデータセットは小さい傾向がある。
クロスロケーションおよびクロススケールの土地被覆分類を行うためのスケール認識型対人学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-08T05:15:43Z) - Attention Model Enhanced Network for Classification of Breast Cancer
Image [54.83246945407568]
AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。
微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。
3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
論文 参考訳（メタデータ） (2020-10-07T08:44:21Z) - 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)
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。