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。
ほとんどの従来の群衆計数法は,シーン画像と群衆密度マップ間のマッピングを確立するために,完全教師つき学習フレームワークを利用する。それらは通常,訓練監督のための大量のコストと時間集約型ピクセルレベルアノテーションに依存する。集中ラベリング努力を緩和し,計数精度を改善する一つの方法は,大量のラベルなし画像を活用することである。これは,単一画像内の固有の自己構造情報とランク一貫性に起因し,訓練中の付加的定性的関係監視を提供する。元の画像レベルでランク関係を利用する以前の方法に反して,潜在特徴空間内のそのようなランク-一貫性関係を調べた。この手法は,多数のピラミッド部分次数の取り込みを可能にし,モデル表現能力を強化する。注目すべき利点は,ラベルなし試料の利用率も増加させることである。特に,著者らは,大規模なラベルなし画像による強化群衆計数のための潜在空間における粗から微細ピラミッド特徴にわたるランク一貫性を完全に利用する,Deep Rank-ConsistEnt pyrAmid Model(DREAM)を提案した。さらに,訓練目的のための4,000の画像を含む,新しいラベルなし群衆計数データセット,FUDAN-UCCを収集した。4つのベンチマークデータセット,すなわちUCF-QNRF,上海Tech PartAおよびPartB,およびUCF-CC-50に関する大規模な実験は,以前の半教師つき方法と比較して著者らの方法の有効性を示した。コードはhttps://github.com/bridgeqiqi/DREAMで利用可能である。【JST・京大機械翻訳】