論文の概要: EBC-ZIP: Improving Blockwise Crowd Counting with Zero-Inflated Poisson Regression

• arxiv url: http://arxiv.org/abs/2506.19955v1
• Date: Tue, 24 Jun 2025 19:06:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.512449
• Title: EBC-ZIP: Improving Blockwise Crowd Counting with Zero-Inflated Poisson Regression
• Title（参考訳）: EBC-ZIP:ゼロインフレーションポアソン回帰によるブロックワイズ数の改善
• Authors: Yiming Ma, Victor Sanchez, Tanaya Guha,
• Abstract要約: 現実世界の群衆のシーンでは、ほとんどの空間領域は人間を含まないため、不均衡な数分布につながる。 ゼロ膨らんだポアソン(Zip)回帰定式化を用いてカウントの空間分布をモデル化する集団カウントフレームワークであるEBC-Zipを提案する。 提案手法は,従来の回帰損失をZIP分布の負のログ類似度に置き換えることで,ゼロ重分布の処理性を向上する。
• 参考スコア（独自算出の注目度）: 29.570935239024138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Density map estimation has become the mainstream paradigm in crowd counting. However, most existing methods overlook the extreme sparsity of ground-truth density maps. In real-world crowd scenes, the vast majority of spatial regions (often over 95%) contain no people, leading to heavily imbalanced count distributions. Ignoring this imbalance can bias models toward overestimating dense regions and underperforming in sparse areas. Furthermore, most loss functions used in density estimation are majorly based on MSE and implicitly assume Gaussian distributions, which are ill-suited for modeling discrete, non-negative count data. In this paper, we propose EBC-ZIP, a crowd counting framework that models the spatial distribution of counts using a Zero-Inflated Poisson (ZIP) regression formulation. Our approach replaces the traditional regression loss with the negative log-likelihood of the ZIP distribution, enabling better handling of zero-heavy distributions while preserving count accuracy. Built upon the recently proposed Enhanced Block Classification (EBC) framework, EBC-ZIP inherits EBC's advantages in preserving the discreteness of targets and ensuring training stability, while further improving performance through a more principled probabilistic loss. We also evaluate EBC-ZIP with backbones of varying computational complexity to assess its scalability. Extensive experiments on four crowd counting benchmarks demonstrate that EBC-ZIP consistently outperforms EBC and achieves state-of-the-art results.
• Abstract（参考訳）: 密度マップ推定は、群集数において主流のパラダイムとなっている。 しかし、既存のほとんどの手法は、地軸密度写像の極端に空間性を見落としている。 現実世界の群衆のシーンでは、ほとんどの空間領域(しばしば95%以上)に人がいないため、不均衡な数分布に繋がる。 この不均衡を無視することは、高密度領域を過大評価し、スパース領域で過小評価するバイアスモデルをもたらす可能性がある。 さらに、密度推定に使用されるほとんどの損失関数は、主にMSEに基づいており、非負カウントデータをモデル化するのに不適なガウス分布を暗黙的に仮定する。 本稿では,Zero-Inflated Poisson (ZIP)回帰定式化を用いて,カウントの空間分布をモデル化する集団カウントフレームワークであるEBC-ZIPを提案する。 提案手法は,従来の回帰損失をZIP分布の負のログ類似度に置き換えることで,ゼロ重分布の処理性を向上し,カウント精度を保った。 最近提案された強化ブロック分類(EBC)フレームワークに基づいて、EBC-ZIPは、ターゲットの離散性を保ち、トレーニング安定性を確保する上でEBCの利点を継承すると同時に、より原則化された確率的損失によってパフォーマンスをさらに向上する。 また、EBC-ZIPを様々な計算複雑性のバックボーンで評価し、そのスケーラビリティを評価する。 4つのクラウドカウントベンチマークの大規模な実験により、EBC-ZIPは一貫してEBCより優れ、最先端の結果が得られている。

関連論文リスト

• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• CLIP-EBC: CLIP Can Count Accurately through Enhanced Blockwise Classification [29.570935239024138]
  CLIP-EBC(CLIP-EBC)を提案する。 我々のEBCフレームワークは、UCF-QNRFデータセットで44.5%まで既存の分類ベースの手法を改善することができる。 CLIP-EBCは、NWPU-Crowdテストセットの最先端のパフォーマンスを実現し、MAEは58.2、RMSEは268.5で、以前のベストメソッドであるSTEERERよりも8.6%と13.3%改善した。
  論文  参考訳（メタデータ） (2024-03-14T11:08:33Z)
• Uncertainty Voting Ensemble for Imbalanced Deep Regression [20.176217123752465]
  本稿では,不均衡なデータから学習するUVOTEを紹介する。 従来の回帰損失を負の対数類似度に置き換え、サンプルワイドのアレタリックな不確実性も予測する。 UVOTEは先行技術より一貫して優れており、同時に精度のよい不確実性評価が得られている。
  論文  参考訳（メタデータ） (2023-05-24T14:12:21Z)
• $CrowdDiff$: Multi-hypothesis Crowd Density Estimation using Diffusion Models [26.55769846846542]
  群集カウントは群集分析の基本的な問題であり、群集密度マップを推定し、群集密度値の和を和らげることが典型的である。 逆拡散過程として群衆密度マップを生成するCrowdDiff$を提示する。 また,拡散モデルの性質から,数量化性能を向上させるため,複数の密度マップを作成することを提案する。
  論文  参考訳（メタデータ） (2023-03-22T17:58:01Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• GP-BART: a novel Bayesian additive regression trees approach using Gaussian processes [1.03590082373586]
  GP-BARTモデル(GP-BART model)は、すべての木間の各終端ノードの予測にGP先行を仮定することで制限に対処するBARTの拡張である。 モデルの有効性は、シミュレーションおよび実世界のデータへの応用を通じて実証され、様々なシナリオにおける従来のモデリング手法のパフォーマンスを上回る。
  論文  参考訳（メタデータ） (2022-04-05T11:18:44Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Learning to Estimate Without Bias [57.82628598276623]
  ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。 本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
  論文  参考訳（メタデータ） (2021-10-24T10:23:51Z)

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。