論文の概要: DualCount: Structurally Consistent Density and Point Modeling for Zero-Shot Object Counting
- arxiv url: http://arxiv.org/abs/2609.17613v1
- Date: Mon, 14 Sep 2026 14:36:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.456199
- Title: DualCount: Structurally Consistent Density and Point Modeling for Zero-Shot Object Counting
- Title（参考訳）: DualCount:ゼロショットオブジェクトカウントのための構造整合密度と点モデリング
- Abstract要約: ゼロショットオブジェクトカウントのための密度と点表現を結合したインスタンス認識型デュアルデコーダフレームワークを提案する。
我々の手法は、ゼロショットオブジェクトカウントにおいて、常にカウントエラーを減らし、新しい最先端のパフォーマンスを確立する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Zero-shot object counting aims to estimate the number of objects specified by a text query without category-specific training. Recent approaches primarily rely on density regression or detection-style instance prediction. While effective, density-based models often suffer from spatial ambiguity and background leakage due to weakly regulated mass allocation, leading to fragmented or part-biased representations that increase counting error in complex scenes. In this work, we propose an instance-aware dual-decoder framework that structurally couples density and point representations for zero-shot object counting. Instead of treating density estimation as independent pixel-wise regression, we interpret it as a structured mass allocation problem over a latent set of object instances. Predicted instance centers induce a soft instance-wise decomposition of the density map, upon which we enforce two geometric constraints: (1) per-instance mass conservation, ensuring each object contributes approximately one unit of density mass, and (2) center-of-mass alignment, encouraging each density component to concentrate around its corresponding predicted center. These constraints introduce instance-level geometric consistency and lead to more accurate mass allocation, thereby reducing counting error. Extensive experiments on FSC-147, PUCPR+, and CARPK show that our approach consistently reduces counting error and establishes new state-of-the-art performance in zero-shot object counting.
- Abstract（参考訳）: ゼロショットオブジェクトカウントは、カテゴリ固有のトレーニングなしでテキストクエリによって特定されるオブジェクトの数を推定することを目的としている。
最近のアプローチは主に密度回帰や検出スタイルのインスタンス予測に依存している。
有効であるが、密度に基づくモデルは、しばしば空間的曖昧さと背景の漏れに悩まされ、複雑なシーンにおけるカウントエラーを増大させる断片的あるいは部分的偏りの表現をもたらす。
本研究では、ゼロショットオブジェクトカウントのための密度と点表現を構造的に結合する、インスタンス対応のデュアルデコーダフレームワークを提案する。
密度推定を画素単位の独立回帰として扱う代わりに、潜在するオブジェクトインスタンスの集合上の構造的質量割り当て問題として解釈する。
予測されたインスタンス中心は、密度マップのソフトなインスタンスワイズ分解を誘導し、(1)インスタンスごとの質量保存、各オブジェクトがほぼ1つの密度の単位に寄与すること、(2)中心のアライメントを保証し、各密度成分が対応する予測中心に集中するように促す2つの幾何学的制約を強制する。
これらの制約は、インスタンスレベルの幾何学的整合性を導入し、より正確な質量割り当てをもたらし、カウントエラーを減少させる。
FSC-147, PUCPR+, CARPKの大規模実験により, ゼロショットオブジェクトカウントにおいて, 提案手法は一貫してカウントエラーを低減し, 新たな最先端性能を確立できることが示されている。
関連論文リスト
- DISTA-Net++: Rethinking Infrared Small Target Unmixing Beyond Sub-Pixel Separation [50.40058918817059]
長距離赤外線画像は、回折制限されたシグネチャが1つの識別不能なブロブに融合する密度の高いターゲットクラスタに対向する。
DisTA-Net++は2つの相乗的なメカニズムで動的に展開するバックボーンをアンカーする。
DisTA-Net++は、CSO-mAPが16.15%、62.96%の精度で、計算の6分の1に過ぎない。
論文 参考訳（メタデータ） (2026-09-16T14:57:11Z) - Cross-Coordinate Correspondence Pruning for Image-to-Point Cloud Registration [70.44225088078274]
そこで本研究では,不整合度を低く抑えつつ十分な不整合を得るための新しいCCP戦略を提案する。
提案手法は, 各種ベンチマークにおける登録リコールにおいて, 既存の最先端手法を少なくとも8.6%上回り, 大幅な性能向上を実現している。
論文 参考訳（メタデータ） (2026-07-19T11:45:14Z) - NoPA: Non-Parametric Online 3D Scene Graph Generation [57.15076373014265]
NoPAは各オブジェクトを別の非パラメトリック分布として表現する。
カーネル密度推定における平均誤差の最大化を利用して、オブジェクト候補のロバストなマージを可能にする。
NoPAは、リアルタイムの推論速度を犠牲にすることなく、現在の手法を大幅に上回る。
論文 参考訳（メタデータ） (2026-07-01T07:18:07Z) - DR-SNE: Density-Regularized Stochastic Neighbor Embedding [0.0]
本稿では,正規化対数密度推定から導かれる密度正規化項を用いて,隣接する埋め込み対象を拡大する密度正規化SNE(DR-SNE)を提案する。
DR-SNEは、競合する近傍の忠実さを維持しながら密度保存を改善する。
これらの結果から,密度情報の導入は次元減少における幾何学的目的を補完するものと考えられる。
論文 参考訳（メタデータ） (2026-05-03T21:08:15Z) - Contrastive Metric Learning for Point Cloud Segmentation in Highly Granular Detectors [0.0]
教師付きコントラッシブ・メトリック・ラーニング(CML)に基づくポイントクラウドセグメンテーションのための新しいクラスタリング手法を提案する。
クラスタ割り当てやオブジェクト中心変数を予測するのではなく、同じオブジェクトに属するポイントが近くに埋め込まれた潜在表現を学習する。
クラスタは、学習された計量空間における密度ベースの読み出しを用いて再構成される。
論文 参考訳（メタデータ） (2026-03-24T15:55:36Z) - You Only Estimate Once: Unified, One-stage, Real-Time Category-level Articulated Object 6D Pose Estimation for Robotic Grasping [119.41166438439313]
YOEOは、エンドツーエンドでインスタンスセグメンテーションとNPCS表現を出力する単一ステージのメソッドである。
我々は、統一ネットワークを使用してポイントワイズセマンティックラベルとセントロイドオフセットを生成し、同じパートインスタンスのポイントが同じセントロイドに投票できるようにする。
また,合成学習したモデルを実環境に展開し,200Hzでリアルタイムな視覚フィードバックを提供する。
論文 参考訳（メタデータ） (2025-06-06T03:49:20Z) - Density-based Object Detection in Crowded Scenes [54.037103707572136]
密度誘導型アンカー(DGA)と密度誘導型NMS(DG-NMS)を提案する。
DGAは最適なアンカー割り当てとリウィーリング、および適応的なNMSを計算する。
Citypersonsデータセットを用いたCrowdHumanデータセットの挑戦実験により、提案した密度誘導検出器は、混雑に対して有効で堅牢であることが示された。
論文 参考訳（メタデータ） (2025-04-14T02:41:49Z) - Dense Center-Direction Regression for Object Counting and Localization with Point Supervision [1.9526430269580954]
本稿では,CeDiRNetと呼ばれる新しい学習手法を提案する。
最寄りの物体中心を向いている方向の高密度な回帰を利用する。
既存の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-08-26T17:49:27Z) - Point, Segment and Count: A Generalized Framework for Object Counting [40.192374437785155]
クラスに依存しないオブジェクトカウントは、例ボックスやクラス名に関して、イメージ内のすべてのオブジェクトをカウントすることを目的としている。
本稿では,検出に基づく少数ショットとゼロショットの両方のオブジェクトカウントのための一般化されたフレームワークを提案する。
PseCoは、少数ショット/ゼロショットオブジェクトカウント/検出の両方で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-11-21T06:55:21Z) - Object-Centric Image Generation from Layouts [93.10217725729468]
複数のオブジェクトを持つ複雑なシーンを生成するレイアウト・ツー・イメージ生成法を開発した。
本手法は,シーン内のオブジェクト間の空間的関係の表現を学習し,レイアウトの忠実度の向上につながる。
本稿では,Fr'echet Inception Distanceのオブジェクト中心適応であるSceneFIDを紹介する。
論文 参考訳（メタデータ） (2020-03-16T21:40:09Z)
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。