抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
利益(ROI)群衆計数の領域は群衆密度マップへの画像またはビデオフレームからのマッピングを学習する回帰問題として定式化できる。最近,畳込みニューラルネットワーク(CNN)モデルは,群衆計数のための有望な結果を達成した。しかし,ビデオデータを扱う場合でも,CNNに基づく方法は各ビデオフレームを考慮し独立して,隣接フレーム間の強い時間的相関を無視していた。ビデオシーケンスで非常に有用である時間情報を利用するために,群衆計数のための畳込みLSTM(ConvLSTM)と呼ばれる最近の深層学習モデルの変形を提案した。以前のCNNに基づく方法とは異なり,提案手法は,空間的および時間的依存性を捕捉した。さらに,両方向における長距離情報にアクセスできる双方向ConvLSTMモデルにConvLSTMモデルを拡張した。四種類の公開利用可能なデータセットを用いた広範な実験を行い,提案アプローチの信頼性と群衆計数の精度を高めるために時間情報を組み込むことの有効性を示した。添加において,ここではまた,提案モデルでは,一つのデータセット上で訓練されると,その学習経験は,モデル適応化のための非常に少数のビデオフレームから構成される新しいデータセットに容易に移すことができることを示すために,いくつかの転移学習実験を行った。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】