文献

J-GLOBAL ID：202002286816910124   整理番号：20A0832637

深部構造化スケール統合ネットワークによる群衆計数【JST・京大機械翻訳】

Crowd Counting With Deep Structured Scale Integration Network

著者 (6件)： Liu Lingbo (Sun Yat-sen University) ,  Qiu Zhilin (Sun Yat-sen University) ,  Li Guanbin (Sun Yat-sen University) ,  Liu Shufan (The University of Sydney) ,  Ouyang Wanli (The University of Sydney) ,  Lin Liang (Sun Yat-sen University)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： ICCV  ページ： 1774-1783  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 制約されていない密集したシーンにおける人々の数の自動推定は挑戦的な仕事であり,1つの主要な困難は人々の巨大なスケール変動から生じる。本論文では,構造化特徴表現学習と階層構造化損失関数最適化を用いることにより,人々のスケール変動を扱う,群衆計数のための新しい深層構造化スケール統合ネットワーク(DSSINET)を提案した。重み付き平均または連結による複数の特徴を直接融合する従来の方法と異なり,最初に,メッセージ通過機構と相互にマルチスケール特徴を洗練するために,条件付きランダムフィールド(CRF)に基づく構造化特徴強化モジュールを導入した。具体的には,各スケール固有の特徴を連続的なランダム変数として考慮し,他のスケールでの特徴を洗練するために相補的な情報をパスする。第二に,著者らは,著者らのDSSINetを強制するために,Dilated多スケール構造類似性損失を利用し,様々なサイズの領域内の人々のスケールの局所相関を学習し,高品質密度マップを得た。4つの挑戦的ベンチマークに関する広範な実験は,著者らの方法の有効性を実証した。特に,著者らのDSSINetは,最先端の方法に対して,Shanghaitechデータセットに関する9.5%の誤差低減とUCF-QNRFデータセットに関する24.9%の改善を達成した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習 ,  *統合通信網 ,  有効性 ,  階層構造 ,  深部構造 ,  類似性 ,  深層構造 ,  ベンチマーク
準シソーラス用語： 誤差低減 ,  ランダム変数 ,  確率場 ,  マルチスケール ,  関数最適化 ,  特徴表現 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 深部構造 ,  スケール ,  統合ネットワーク ,  計数