Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Buchtitelbild

2024 | OriginalPaper | Buchkapitel

Learning Transformation Maps for Crowd Analysis

verfasst von : Yu Lian, Zhifei Hu, Xin Li, Longxu Zhang, Zhong Zhang, Song Gao

Erschienen in: Communications, Signal Processing, and Systems

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Two important tasks in crowd analysis are crowd counting and crowd localization. In this paper, we introduce map-based crowd counting and localization methods, including density map-based methods, dot mask map-based methods, and distance transformation map-based methods. In addition, we combine the map-based methods with different losses. Finally, we compare the counting and localization performance of map-based crowd counting and localization methods on two benchmark datasets to evaluate the effectiveness of existing maps and loss functions.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Nächstes Kapitel D2D-Assisted UAV Resource Assignment
Literatur
1.
Wang B, Liu H, Samaras D, Nguyen MH (2020) Distribution matching for crowd counting. In: Proceedings of advances in neural information processing systems, pp 1595–1607
2.
Liang D, Xie J, Zou Z, Ye X, Xu W, Bai X (2023) CrowdCLIP: unsupervised crowd counting via vision-language model. In: Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pp 2893–2903
3.
4.
Song Q, Wang C, Jiang Z, Wang Y, Tai Y, Wang C, Li J, Huang F, Wu Y (2021) Rethinking counting and localization in crowds: a purely point-based framework. In: Proceedings of the IEEE/CVF international conference on computer vision, pp 3365–3374
5.
Wang J, Gao J, Yuan Y, Wang Q (2023) Crowd localization from Gaussian mixture scoped knowledge and scoped teacher. IEEE Trans Image Process 32:1802–1814CrossRef
6.
Liang D, Xu W, Bai X (2022) An end-to-end transformer model for crowd localization. In: Proceedings of the European conference on computer vision, pp 38–54
7.
Shi M, Yang Z, Xu C, Chen Q (2019) Revisiting perspective information for efficient crowd counting. In: Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pp 7279–7288
8.
Yang S, Guo W, Ren Y (2022) CrowdFormer: an overlap patching vision transformer for top-down crowd counting. In: Proceedings of the international joint conference on artificial intelligence, pp 1545–1551
9.
Zhao Z, Li X (2023) Deformable density estimation via adaptive representation. IEEE Trans Image Process 32:1134–1144CrossRef
10.
Sam DB, Peri SV, Sundararaman MN, Kamath A, Babu RV (2021) Locate, size, and count: accurately resolving people in dense crowds via detection. IEEE Trans Pattern Anal Mach Intell 43(8):2739–2751
11.
Wang Y, Hou J, Hou X, Chau L-P (2021) A self-training approach for point-supervised object detection and counting in crowds. IEEE Trans Image Process 30:2876–2887CrossRef
12.
Liu J, Gao C, Meng D, Hauptmann AG (2018) DecideNet: counting varying density crowds through attention guided detection and density estimation. In: Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pp 5197–5206
13.
Gao J, Han T, Wang Q, Yuan Y (2019) Domain-adaptive crowd counting via inter-domain features segregation and Gaussian-prior reconstruction. arXiv preprint arXiv:​1912.​03677
14.
Abousamra S, Hoai M, Samaras D, Chen C (2021) Localization in the crowd with topological constraints. In: Proceedings of the AAAI conference on artificial intelligence, pp 872–881
15.
16.
Zhang Y, Zhou D, Chen S, Gao S, Ma Y (2016) Single-image crowd counting via multi-column convolutional neural network. In: Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pp 589–597
17.
Li Y, Zhang X, Chen D (2018) CSRNet: dilated convolutional neural networks for understanding the highly congested scenes. In: Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pp 1091–1100
18.
Gao J, Han T, Wang Q, Yuan Y, Li X (2020) Learning independent instance maps for crowd localization. arXiv preprint arXiv:​2012.​04164
19.
Xu C, Liang D, Xu Y, Bai S, Zhan W, Bai X, Tomizuka M (2022) AutoScale: learning to scale for crowd counting. Int J Comput Vis 130(2):405–434CrossRef
20.
Cao X, Wang Z, Zhao Y, Su F (2018) Scale aggregation network for accurate and efficient crowd counting. In: Proceedings of the European conference on computer vision, pp 734–750
21.
Wang Z, Bovik A, Sheikh H, Simoncelli E (2004) Image quality assessment: from error visibility to structural similarity. IEEE Trans Image Process 13(4):600–612CrossRef
Metadaten
Titel
Learning Transformation Maps for Crowd Analysis
verfasst von
Yu Lian
Zhifei Hu
Xin Li
Longxu Zhang
Zhong Zhang
Song Gao
Copyright-Jahr
2024
Verlag
Springer Nature Singapore
Buch
Communications, Signal Processing, and Systems

Print ISBN: 978-981-9975-55-6

Electronic ISBN: 978-981-9975-02-0

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-981-99-7502-0_1

Neuer Inhalt

    Bildnachweise