SeterusnyaPanduan seterusnya
Peta Grad-CAM dan Visual Saliency
AI Visual
PANDUAN AI Visual
Pengiraan orang ramai menganggarkan bilangan orang yang muncul dalam imej atau video.
Dengar panduan iniAI-diceritakan · ~3 min
Kaedah peta ketumpatan meramalkan medan spatial yang nilainya boleh dijumlahkan atau disepadukan untuk menganggarkan kiraan, dan bukannya memerlukan kotak sempadan yang berbeza untuk setiap orang. Pendekatan boleh mewakili adegan padat, tetapi oklusi, perspektif, pilihan anotasi dan anjakan pengedaran masih boleh menyebabkan ralat besar; kiraan anggaran bukanlah banci yang tepat.
Pengiraan orang ramai adalah mencabar kerana orang bertindih, menjadi kecil dalam imej dan muncul pada pelbagai skala. Pengesan yang mencipta kotak untuk setiap orang boleh merindui mayat yang tersumbat atau menggabungkan orang berdekatan. Pendekatan peta ketumpatan sebaliknya meramalkan peta spatial kepadatan orang ramai. Menjumlahkan atau menyepadukan peta menghasilkan kiraan anggaran, manakala kawasan peta boleh menunjukkan tempat yang diramalkan ketumpatan tertumpu. Penyelidikan seperti CP-CNN meneroka maklumat konteks untuk menjana peta ketumpatan dan mengira anggaran. Sasaran latihan selalunya dibina daripada mata kepala beranotasi dengan meletakkan kernel di sekeliling setiap titik; jumlah peta sasaran direka bentuk untuk sepadan dengan kiraan orang beranotasi. Konvensyen yang tepat berbeza-beza. Lebar kernel, perspektif, penskalaan imej dan kualiti anotasi mempengaruhi sasaran dan oleh itu tanggapan ketumpatan model. Model boleh menghasilkan peta yang kelihatan munasabah yang jumlahnya salah, atau jumlah yang munasabah sambil meletakkan ketumpatan di kawasan yang salah. Metrik seperti min ralat mutlak pada kiraan tidak mendedahkan setiap kegagalan spatial. Uji paparan kamera, kepadatan orang ramai, corak oklusi, pencahayaan dan tempoh masa yang menyerupai penggunaan. Laporkan ralat kiraan dan periksa ralat setempat, penentukuran dan ketidakpastian. Jika tujuannya adalah perancangan kemudahan, kiraan agregat mungkin mencukupi; keputusan operasi tentang keselamatan atau akses memerlukan semakan manusia dan isyarat tambahan. Hasilnya ialah anggaran orang dalam adegan yang dilihat, bukan bukti identiti, tingkah laku atau kiraan menyeluruh di luar medan pandangan kamera.
Agensi transit membandingkan anggaran kiraan orang ramai dengan sampel yang disemak secara manual dari sudut kamera dan tempoh masa yang sama.
Seorang penyelidik memeriksa kedua-dua ralat jumlah kiraan dan peta ketumpatan ruang untuk mencari tempat model merindui orang.
Tempat menentukur kamera dan menguji cara perspektif mengubah kepadatan orang ramai yang jelas merentas imej.
Seorang penganalisis melaporkan ketidakpastian dan mengelak daripada menganggap anggaran orang ramai sebagai rekod peringkat individu yang tepat.
Model orang ramai boleh menggunakan video, berbilang kamera dan konteks temporal untuk menambah baik anggaran atau menyetempatkan perubahan. Seni bina baharu dan label yang diselia dengan lemah boleh mengurangkan beban anotasi, tetapi peralihan domain antara set data latihan dan tempat baharu kekal penting. Operator harus menyemak liputan kamera, tetingkap pengagregatan, kawalan privasi dan drift model. Terbitkan takrif ukuran—orang yang kelihatan bagi setiap bingkai, setiap zon atau dari semasa ke semasa—supaya pengguna mentafsir kiraan secara konsisten. Perubahan dalam sudut kamera, resolusi atau komposisi orang ramai harus mencetuskan pengesahan baharu sebelum penggunaan operasi.
Newsletter percuma
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Pengiraan orang ramai menganggarkan bilangan orang yang muncul dalam imej atau video. Kaedah peta ketumpatan meramalkan medan spatial yang nilainya boleh dijumlahkan atau disepadukan untuk menganggarkan kiraan, dan bukannya memerlukan kotak sempadan yang berbeza untuk setiap orang. Pendekatan boleh mewakili adegan padat, tetapi oklusi, perspektif, pilihan anotasi dan anjakan pengedaran masih boleh menyebabkan ralat besar; kiraan anggaran bukanlah banci yang tepat.
Peta ketumpatan dibina supaya jumlahnya sepadan dengan anggaran kiraan orang.
Kaedah peta ketumpatan tidak perlu mengesan kotak yang berbeza untuk setiap orang.
Jumlah peta digunakan sebagai kiraan anggaran, dengan penskalaan bergantung pada pelaksanaan.
Perspektif mengubah skala ketara dan boleh menjejaskan pembinaan kernel.
Pemisahan peringkat pemandangan boleh mengurangkan kebocoran daripada bingkai yang hampir sama.
Teruskan belajar
Lebih banyak panduan dipilih untuk topik ini
SeterusnyaPanduan seterusnya
Peta Grad-CAM dan Visual Saliency
AI Visual