論文の概要: Density Estimation and Crowd Counting

• arxiv url: http://arxiv.org/abs/2511.09723v1
• Date: Fri, 14 Nov 2025 01:06:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.439053
• Title: Density Estimation and Crowd Counting
• Title（参考訳）: 密度推定と集団数
• Authors: Balachandra Devarangadi Sunil, Rakshith Venkatesh, Shantanu Todmal,
• Abstract要約: 提案手法は,拡散過程を利用して高品質な群集密度マップを生成するデノベーション確率モデルを統合する。 回帰分岐は正確な特徴抽出のためにモデルに組み込まれ、縮合機構は類似度スコアに基づいてこれらのマップを組み合わせて堅牢な最終結果を生成する。 Farneback光フローアルゴリズムを用いたイベント駆動サンプリング手法を導入し,観衆運動の著しいフレームを選択的に捕捉する。
• 参考スコア（独自算出の注目度）: 3.9573534520147806
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study enhances a crowd density estimation algorithm originally designed for image-based analysis by adapting it for video-based scenarios. The proposed method integrates a denoising probabilistic model that utilizes diffusion processes to generate high-quality crowd density maps. To improve accuracy, narrow Gaussian kernels are employed, and multiple density map outputs are generated. A regression branch is incorporated into the model for precise feature extraction, while a consolidation mechanism combines these maps based on similarity scores to produce a robust final result. An event-driven sampling technique, utilizing the Farneback optical flow algorithm, is introduced to selectively capture frames showing significant crowd movements, reducing computational load and storage by focusing on critical crowd dynamics. Through qualitative and quantitative evaluations, including overlay plots and Mean Absolute Error (MAE), the model demonstrates its ability to effectively capture crowd dynamics in both dense and sparse settings. The efficiency of the sampling method is further assessed, showcasing its capability to decrease frame counts while maintaining essential crowd events. By addressing the temporal challenges unique to video analysis, this work offers a scalable and efficient framework for real-time crowd monitoring in applications such as public safety, disaster response, and event management.
• Abstract（参考訳）: 本研究は,ビデオベースシナリオに適応させることにより,画像解析のために考案された群集密度推定アルゴリズムを改良する。 提案手法は,拡散過程を利用して高品質な群集密度マップを生成するデノベーション確率モデルを統合する。 精度を向上させるため、狭いガウスカーネルを使用し、複数の密度マップ出力を生成する。 回帰分岐は正確な特徴抽出のためにモデルに組み込まれ、縮合機構は類似度スコアに基づいてこれらのマップを組み合わせて堅牢な最終結果を生成する。 イベント駆動サンプリング技術は、Farneback光フローアルゴリズムを用いて、重要な群集運動を示すフレームを選択的にキャプチャし、臨界群集動態に着目して計算負荷と記憶量を削減する。 オーバーレイプロットや平均絶対誤差(MAE)などの質的および定量的評価を通じて、このモデルは密度とスパースの両方の設定において、群衆の動態を効果的に捉える能力を示す。 サンプリング手法の効率をさらに評価し,本質的な群集イベントを維持しつつ,フレーム数を削減できることを示す。 ビデオ分析に特有の時間的課題に対処することにより、公共安全や災害対応、イベント管理といったアプリケーションにおけるリアルタイムのクラウド監視のためのスケーラブルで効率的なフレームワークを提供する。

関連論文リスト

• PREMAP: A Unifying PREiMage APproximation Framework for Neural Networks [30.701422594374456]
  本稿では,任意の多面体出力集合のアンダー・アンド・オーバー近似を生成する事前抽象化のためのフレームワークを提案する。 提案手法を様々なタスクで評価し,高インプット次元画像分類タスクに対する効率とスケーラビリティの大幅な向上を示す。
  論文  参考訳（メタデータ） (2024-08-17T17:24:47Z)
• Robust Zero-Shot Crowd Counting and Localization With Adaptive Resolution SAM [55.93697196726016]
  本稿では,SEEM(Seegment-Everything-Everywhere Model)を用いた簡易かつ効果的な群集カウント手法を提案する。 密集した群集シーンにおけるSEEMの性能は,高密度領域の多くの人々が欠落していることが主な原因である。 提案手法は,群集カウントにおいて最高の教師なし性能を実現すると同時に,いくつかの教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2024-02-27T13:55:17Z)
• $CrowdDiff$: 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)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Learning Optical Flow from a Few Matches [67.83633948984954]
  密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。 実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
  論文  参考訳（メタデータ） (2021-04-05T21:44:00Z)
• Bayesian Multi-Scale Neural Network for Crowd Counting [0.0]
  クラウドカウントは、コンピュータビジョンにおいて難しいが重要なタスクである。 密度マップを推定する畳み込みニューラルネットワーク(CNN)を用いた最近の進歩は大きな成功を収めている。 これらの課題を効果的に解決する新しいディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-07-11T21:43:20Z)

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。