Temel Kavramlar
제한된 레이블링된 데이터를 활용하여 레이블링되지 않은 데이터에서 군중 계수를 수행하는 효과적인 방법을 제안한다.
Özet
이 논문은 반감독 학습 프레임워크 S4Crowd를 제안한다. 이 프레임워크는 다음과 같은 핵심 구성 요소를 포함한다:
두 개의 자기 지도 학습 손실 함수(Crowd Scale Equivariance, Crowd Entropy Consistency)를 통해 군중 변화를 모델링한다.
Gated-Crowd-Recurrent-Unit (GCRU)라는 새로운 순환 신경망 유닛을 제안하여 고차 텐서 군중 데이터 시퀀스를 효과적으로 인코딩한다.
레이블링된 데이터와 레이블링되지 않은 데이터를 모두 활용하는 동적 가중치 학습 전략을 사용한다.
실험 결과, 제안된 S4Crowd 프레임워크는 다양한 반감독 학습 설정에서 기존 방법들을 능가하는 성능을 보였다.
İstatistikler
레이블링된 데이터 5%를 사용할 때 UCF QNRF 데이터셋에서 MAE 160.0, MSE 275.0이었지만 제안 방법은 MAE 158.6, MSE 269.6로 개선되었다.
레이블링된 데이터 25%를 사용할 때 ShanghaiTech A 데이터셋에서 MAE 91.0, MSE 149.0이었지만 제안 방법은 MAE 81.4, MSE 137.9로 개선되었다.
레이블링된 데이터 50%를 사용할 때 ShanghaiTech B 데이터셋에서 MAE 89.0, MSE 148.0이었지만 제안 방법은 MAE 9.8, MSE 19.2로 개선되었다.
Alıntılar
"자기 지도 학습 손실 함수(Crowd Scale Equivariance, Crowd Entropy Consistency)를 통해 군중 변화를 모델링한다."
"Gated-Crowd-Recurrent-Unit (GCRU)라는 새로운 순환 신경망 유닛을 제안하여 고차 텐서 군중 데이터 시퀀스를 효과적으로 인코딩한다."
"레이블링된 데이터와 레이블링되지 않은 데이터를 모두 활용하는 동적 가중치 학습 전략을 사용한다."