Aug, 2015

社会约束的群体结构学习在人群检测中的应用

PDF
TL;DR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。
collective behaviorsocial groupscorrelation clusteringstructural svmgroup detection
发现论文，激发创造
  • 基于轨迹的实时社交群体检测

    我们提出了一种用于社交群体检测的简单高效的图形转换模块和图形聚类损失，能够在人群拥挤动态的情况下实现较高的表现。与先前基于视觉内容的方法相比，在保持准确性的同时，实现了高速的推理时间。该方法适用于实时的机器人应用。

    Apr, 2023

  • 应用于群体行为识别的视频理解通用框架

    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

  • 全局相似结构下的众包显著性检测

    本研究提出了一种新的框架，通过从人群运动场景中抽取的低级特征转换为全局相似性结构，自动检测并定位人群场景中引人注目的区域。这种方法是无监督的，可以在各种人群情况下自动识别显著区域。

    Oct, 2014

  • GD-GAN：用于人群轨迹预测和组群检测的生成对抗网络

    本文提出了一种新颖的深度学习框架，用于人类轨迹预测和在人群中检测社交群体成员。我们引入了一个生成对抗网络管道，可保留行人社区的时空结构，从而使我们能够提取描述其社会身份的相关属性，并将群体检测任务公式化为无监督学习问题，不需要通过手动标记的数据库进行监督学习，使我们能够直接将所提出的框架应用于不同的监控设置。我们在多个公共基准测试上评估了所提出的轨迹预测和群体检测框架，对于这两个任务，所提出的方法都证明了其相对于现有最先进方法更能够预测人类的社会行为。

    Dec, 2018

  • 密集人群交互式监控技术

    利用计算机视觉、贝叶斯学习技术和人群模拟等方法，通过对行人轨迹级别行为学习，实现低至中密度人群视频的实时异常检测。我们在 PETS ARENA 数据集、室内和室外人群视频基准测试中进行了实时演示，并讨论了与监视和我们研究相关的公共政策和执法问题的影响。

    Sep, 2018

  • 拥挤复杂场景中社交导航预测

    本文提出了一个集成图像和视频的大规模数据集， 收集了各种类型的目标（不仅是行人，还有自行车，滑板车，汽车，公交车，高尔夫球车）在现实世界室外环境中如何运动的数据。本文还提出了新的轨迹预测算法，并且这个算法利用了新数据集的复杂度，可以模拟交互中的社会力量对行人的影响，有效地解决了目标跟踪与轨迹预测问题。

    Jan, 2016

  • 人员轨迹预测中可解释的社会锚点

    本论文提出了一种基于离散选择模型和神经网络的人类轨迹预测方法，可以提高准确性并保持可解释性。

    May, 2021

  • 在视频中联合学习社交群体、个体动作和子群体活动

    本文提出了一个端到端的可训练框架来解决人类活动理解中的社交任务。该框架同时分组人们，预测他们的个人行为和每个社交团体的社交活动，并提供了新的数据集注释。

    Jul, 2020

  • 自适应学习群体核

    该论文介绍了一个算法，可以根据众包数据独立学习 n 个对象之间的相似矩阵，其中算法采样同类三元组的相对相似度数据，并通过支持向量机（SVMs）证明，该算法生成了准确捕捉图像特征的众包核特征。

    May, 2011

  • F-formation 检测：在图像中识别自由站立对话群体

    本文针对检测图像中群体的问题提出了一种基于图割的全新方法 GCFF，以 F-formation 为基础，通过组合个体间的位置和方向，能够描述有关人群的社会学定义。该方法表现出较高的准确性、噪声鲁棒性和灵活性。

    Sep, 2014