全局相似结构下的众包显著性检测
该论文提出了一种在密集场景中进行实时异常检测和定位的方法,在该方法中,视频被定义为非重叠立方块的集合,并使用两个本地和全局描述符进行描述。我们利用简单和经济实惠的高斯分类器来区分正常活动和异常活动,并根据相邻块之间的结构相似性和无监督学习的特征来确定本地和全局特征。大量实验结果表明,该算法优于 UCSD ped2 和 UMN 基准的最新方法,而且具有更高的时间效率。我们的实验结果证明了我们的系统可以在视频中发生异常时可靠地检测和定位异常。
Nov, 2015
本研究提出一种利用 Correlation Clustering 算法在人群中检测社交团体的方法,其使用了一组专门设计的特征来描述人群成员之间的亲和力,并引入了 G-MITRE 损失函数来评估检测性能。在使用地面真值轨迹和先前提取的轨迹时,证明了该算法能够达到最先进的效果。
Aug, 2015
本文提出了一个新的基于无监督方法的框架,用于处理大规模混杂无序的人群数据,通过学习空间、时间和动态维度之间的相关性并自动结构化数据,从而实现了对场景语义的全面描述,并基于此提出了人群数据可视化、模拟评估和模拟引导等新方法。
Apr, 2020
本研究提出了一种多重高斯邻域注意力机制 (即 GNA) 来进行视频人群定位,利用该方法能够准确地捕捉到运动物体的空间尺度变化,并针对这种目的开发了一种名为 GNANet 的神经网络模型。同时,为了方便未来的研究,还引入了一个大规模的人群图像数据集 (VSCrowd),研究表明该方法能够显著提升视频人群定位和计数的性能。
Jul, 2021
本篇研究提出了一种基于学习人类显著性和匹配显著性分布的人物再识别新方法,包括了临接受限制补丁匹配(adjacency constrained patch matching)、K 最近邻算法、一类支持向量机方法,以及统一的 RankSVM 框架,其在 VIPeR 数据集以及 CUHK01 数据集上表现优于其他人物再识别方法。
Dec, 2014
通过分析视频中人群的几何特征、个性和情感,探讨事件检测与人群行为的相关性,并介绍了一种基于 GeoMind 软件的方法,可以自动检测和模拟人群中发生的事件。
Dec, 2023
本文提出了一种新颖的使用注意力模型的方法,通过利用头部位置作为人群计数的最重要线索,结合多尺度特征提取和相对偏差损失函数来实现复杂背景、尺度变化和非均匀分布等实际应用中的挑战,提高了稀疏人群密度估计的准确性。在 Shanghai-Tech、UCF_CC_50 和 World-Expo'10 数据集上的实验表明了该方法的有效性。
Jun, 2018
本文提出了基于光流和边缘线索的新型显着性估计技术和新型邻域图,用于解决快速运动,运动模糊和遮挡等视频分割的挑战,在 DAVIS,SegTrack v2 和 FBMS-59 数据集中取得了超越深度学习方法的最新成果。
Sep, 2018
本文提出了一种在视频监控应用中检测和跟踪人群以及自动识别他们行为的方法,该方法通过维持空间和时间上的协同性来追踪移动在一起的个人,其中人员的轨迹经过时间窗口分析并使用 Mean-Shift 算法聚类,协同值描述了一组人群的描述质量,同时提出了一个正式的事件描述语言,该方法在机场、地铁、购物中心走廊和入口大厅的 3 个数据集中的 4 个摄像头视角上成功验证了人群事件的识别。
Jun, 2012