Crowd Adalah – Komputasi kerumunan adalah bidang penelitian aktif dan telah mengalami beberapa perkembangan sejak diperkenalkannya pembelajaran mendalam. Di blog ini, kami akan mengulas secara singkat metode dan teknik penghitungan massa padat dan jarang yang dapat digunakan di industri, rumah sakit, acara pengumpulan massa, dan banyak aplikasi lainnya.
Penghitungan massa adalah metode penghitungan jumlah orang dalam sebuah gambar atau video. Perhatikan gambar di bawah dan tebaklah jumlah orang di dalamnya.
Crowd Adalah
Ada begitu banyak orang yang dimasukkan ke dalam gambar ini sehingga merupakan tugas besar bagi otak kita untuk memprediksi angka yang benar secara akurat. Solusi cepatnya adalah mulai menghitung orang dari kiri bawah dan menghitung satu per satu, tetapi Anda bisa kehilangan hitungan di tengah dan melewatkan hitungan. Tampaknya tugas ini tidak dapat diselesaikan oleh manusia. Namun, mobil bisa melakukannya. Isi saja logikanya dan akan muncul perhitungan yang tepat.
Shimon Peres: Godfather Of Israeli Entrepreneurship
Beberapa metode telah digunakan untuk menemukan solusi yang tepat untuk pertanyaan di atas. Awalnya, ilmuwan komputer mengembangkan pembelajaran mesin dasar dan algoritma visi komputer seperti deteksi, regresi, dan pendekatan berbasis kepadatan untuk memprediksi kepadatan populasi dan peta kepadatan. Namun demikian, metode ini juga dikaitkan dengan berbagai masalah seperti perubahan skala dan perspektif, oklusi, kepadatan yang tidak merata, dll. Belakangan, ketika Jaringan Neural Konvolusional terbukti mampu menangani berbagai tugas visi komputer dengan menghilangkan kesalahan ini, para peneliti mengalihkan fokus mereka. untuk itu, menggunakan fungsi dengan menurunkan algoritma.
Kerumunan Padat vs Kerumunan Jarang – Kerumunan disebut kerumunan padat bila banyak orang berkumpul di suatu tempat dan bila orangnya sedikit disebut kerumunan jarang. Cara dan sarana kita belajar menghadapi audiens yang padat dan jarang. Penghitungan massa yang jarang relatif mudah dibandingkan dengan penghitungan massa, sehingga algoritma harus bekerja lebih keras untuk jumlah massa yang padat.
Mari kita lihat beberapa makalah penelitian tentang bagaimana metode sensus telah dilakukan di masa lalu dan bagaimana jaringan saraf telah mencapai kinerja tercanggih dengan kemajuan dalam pembelajaran mendalam.
Semuanya dimulai pada tahun 2013 oleh Chen Change Loy dan lainnya. dan timnya di Queen Mary University of London. Tujuan penelitian mereka adalah mengukur kepadatan penduduk dan kepadatan penduduk di ruang publik untuk analisis situasi global. Di bawah ini adalah judul penelitian pendahuluan yang dilakukan dengan teknik sensus.
Understanding Enochlophobia Or The Fear Of Crowds
Untuk meringkas penelitian mereka, mereka menerapkan teknik pemrosesan gambar pembelajaran mesin klasik pada gambar dan video, seperti regresi dan mesin vektor pendukung, dan mengusulkan tiga pendekatan untuk sensus populasi, mari kita rangkum di bagian selanjutnya yang akan kita bahas.
Berdasarkan fitur yang kami gunakan untuk mengidentifikasi kerumunan dalam gambar dan video, penghitungan dibedakan menjadi tiga jenis.
Di bawah ini adalah tiga gambar yang sesuai dengan definisi sensus; angka satu, dua, dan tiga masing-masing mewakili deteksi monolitik, deteksi berbasis bagian, dan deteksi berbasis bentuk.
Penghitungan dengan deteksi menjadi kurang akurat ketika jumlah orang banyak dan latar belakang banyak yang berantakan. Untuk mengatasi permasalahan tersebut digunakan komputasi regresi dibandingkan dengan komputasi fitur dari patch citra lokal. Baik segmentasi maupun pelacakan individu tidak terlibat di sini. Salah satu upaya paling awal melibatkan penerapan pemodelan regresi dengan mengekstraksi fitur tingkat rendah seperti detail tepi, piksel latar depan, lalu memetakan fitur dan jumlahnya. Mari kita bahas dua artikel untuk melihat bagaimana regresi digunakan dalam skenario yang berbeda,
Pentingnya Brand Identity: Menjaga Bisnismu Tetap Stand Out In The Crowd!
Di sini, model regresi dipelajari hanya jika tersedia data yang jarang dan tidak seimbang. Model regresi berbasis atribut kumulatif digunakan untuk memetakan fitur yang diekstraksi dari gambar yang jarang dan tidak seimbang ke dalam ruang atribut kumulatif.
Model ini digunakan ketika ada kebutuhan untuk menerapkan regresi ke berbagai area lokal pada gambar. Daripada melatih model regresi dengan banyak hasil, model regresi tunggal digunakan untuk memperkirakan orang-orang di wilayah lokal yang berbeda, artinya model tersebut disusun dengan fitur tingkat rendah yang berkorelasi dan multivariat mengeksplorasi pemetaan fungsional antar hasil.
Sebagian besar pendekatan sebelumnya mengabaikan informasi spasial yang tersimpan dalam gambar. Namun pendekatan ini berfokus pada kepadatan dengan memeriksa pemetaan antara fitur lokal dan peta kepadatan objek, sehingga memasukkan informasi spasial ke dalam prosesnya. Ia menghindari mempelajari setiap individu dan karena itu mengikuti sekelompok individu pada waktu yang sama. Pemetaan yang ditentukan bisa linier atau non-linier. Mari kita lihat bagaimana pemetaan nonlinier digunakan dalam bentuk pengklasifikasi hutan acak.
Regressor hutan acak digunakan untuk memilih kepadatan beberapa target untuk pembelajaran pemetaan nonlinier. Pemetaan ini ada antara fungsi pembaruan dan lokasi relatif semua objek dalam patch. Parameter crowding prior didefinisikan untuk menghilangkan perbedaan antara patch gambar yang ramai dan tidak, sehingga menciptakan dua hutan berbeda yang sesuai dengan prior.
Financial Inclusion Week
Selain pendekatan tradisional, teknik visi komputer berdasarkan jaringan saraf konvolusional (CNN) kini digunakan untuk mencapai akurasi yang lebih baik dibandingkan metode tradisional. Ada sekelompok besar CNN yang dirancang untuk mencapai kepadatan penonton. Untuk lebih jelasnya, kami membagi mereka menjadi beberapa kelompok.
Ini adalah salah satu pendekatan pertama yang diusulkan dengan model regresi CNN. Alexnet diambil sebagai jaringan saraf dasar, dimana lapisan terakhir dari 4096 neuron digantikan oleh satu neuron untuk menghitung jumlahnya. Selain itu, data pelatihan diisi dengan sampel negatif yang kebenaran dasarnya nol. Di bawah ini adalah arsitektur konvolusi lima lapisan sederhana yang pertama kali digunakan untuk deteksi kerumunan pada gambar tertentu.
Kumpulan data gambar baru yang terdiri dari 1.198 gambar dengan 330.000 anotasi digunakan untuk melatih model. Arsitektur CNN multi-kolom memetakan gambar ke peta kepadatan penonton. Model ini menggunakan filter dengan bidang reseptif berbeda. Fitur yang dipelajari oleh setiap kolom CNN beradaptasi dengan perubahan ukuran orang/kepala karena efek perspektif atau resolusi gambar. Di sini, peta kepadatan dihitung secara tepat berdasarkan geometri kernel yang cocok.
CrowdNet adalah kombinasi jaringan neural konvolusional yang dalam dan dangkal. Fitur ini membantu menangkap fitur tingkat rendah dan tingkat tinggi. Kumpulan data diperluas untuk mengeksplorasi representasi invarian skala. Jaringan dalam mirip dengan jaringan VGG-16 yang terkenal. Dibutuhkan semantik tingkat tinggi yang diperlukan untuk sensus dan mengembalikan peta kepadatan seperti yang ditunjukkan pada gambar di bawah.
Your Medium Follower Count Is Meaningless
Mereka mengembangkan jaringan dangkal yang digunakan untuk mendeteksi pola gumpalan kepala tingkat rendah dari orang-orang yang berada jauh dari kamera. Ia menggunakan jaringan VGG dengan 3 lapisan konvolusional dan 5 lapisan kumpulan maksimum yang masing-masing terdiri dari 2 tahap. Oleh karena itu, resolusi spasial fitur keluaran yang dihasilkan hanya 1/32 kali lipat dari citra masukan.
Makalah ini menyumbangkan dua jaringan saraf, pertama, Counting CNN, sebuah model regresi yang mempelajari memetakan tampilan patch gambar ke peta kepadatan yang sesuai, dan kedua, Hydra CNN, model komputasi sadar skala yang menggunakan gambar. Tambalan diekstraksi pada berbagai skala untuk estimasi kepadatan akhir. Di bawah ini adalah arsitektur yang menjelaskan kedua jaringan tersebut.
Perubahan kepadatan kerumunan diperhitungkan untuk meningkatkan akurasi dan lokalisasi perkiraan kerumunan. Ini memasukkan patch dari jaringan di tempat keramaian ke regressor CNN independen dalam pengklasifikasi kunci. Regressor tertentu dilatih di kancah penonton jika performa regressor di patch adalah yang terbaik. Pengklasifikasi saklar dilatih secara bergantian dengan melatih beberapa regressor CNN untuk mengirimkan pembaruan dengan benar ke regressor tertentu.
Ini adalah metode pembelajaran tanpa pengawasan di mana tidak ada interpretasi yang diberikan terhadap data. Memperoleh data beranotasi seringkali mahal. Untuk selanjutnya, makalah ini menjelaskan arsitektur yang disebut “Autoencoder Pemenang-Ambil-Semua Grid” untuk mempelajari beberapa filter. Ini membagi lapisan konvolusional menjadi jaringan neuron. Dalam setiap jaringan, hanya neuron yang sangat aktif yang diperbolehkan memperbarui filter. Oleh karena itu, autoencoder GWTA dapat menggunakan fitur berbeda, sehingga memberikan pelatihan yang skalabel dan efisien dengan data audiens berbeda. Arsitekturnya sedikit lebih kompleks daripada jaringan saraf sebelumnya, dua lapisan terakhir adalah lapisan konvolusional, yang dilatih berdasarkan pembelajaran yang diawasi untuk regresi peta kepadatan dengan menyebarkan kerugian l2 antara peta prediksi dan peta kebenaran dasar.
Tidak Hanya Sebaran Apem, Berbagai Even Meriahkan Tradisi Saparan Yaqowiyu
Ini terutama digunakan untuk kumpulan data video. Jika diperlukan untuk menentukan kepadatan penonton dalam sebuah video, maka video tersebut dibagi menjadi beberapa gambar. Oleh karena itu, informasi temporal antar frame harus diperhitungkan saat menghitung jumlahnya. Untuk mencapai hal ini, arsitektur yang disebut blok Temporal-Channel-Aware (TCA) digunakan. Secara khusus, kami menggunakan kernel 3D untuk mengekstrak fitur temporal. Blok TCA ini dilampirkan ke jaringan saraf konvolusional 3D.
API Nanonet memungkinkan Anda membuat model deteksi objek dengan mudah. Melalui antarmuka pengguna berbasis browser, Anda dapat mengunggah data, membuat anotasi, melatih model, dan mengharapkan prediksi tanpa mengetik satu kata pun.
Crowd clothing, design crowd, crowd zero, crowd city, cad crowd, crowd mics, crowd logo, crowd spring, crowd funding, brand crowd, jaket crowd, crowd