DroneNet: Crowd Density Estimation using Self-ONNs for Drones

要約

ドローンを使用したビデオ監視は、展開が簡単で、多くのシナリオでドローンが障害物なく移動できるため、便利かつ効率的です。
ドローンベースのビデオ監視の興味深い応用例は、公共の場所の群集密度 (歩行者と車両の両方) を推定することです。
畳み込みニューラル ネットワーク (CNN) を使用した深層学習は、画像とビデオを使用した自動群衆カウントと密度推定に採用されています。
ただし、このようなモデルのパフォーマンスと精度は通常、モデルのアーキテクチャに依存します。つまり、より深い CNN モデルは、推論時間の増加を犠牲にして精度を向上させます。
この論文では、自己組織化運用ニューラル ネットワーク (Self-ONN) を使用した、ドローン (DroneNet) の新しい群衆密度推定モデルを提案します。
Self-ONN は、CNN ベースのモデルと比較して、計算の複雑さが低く、効率的な学習機能を提供します。
私たちは 2 つのドローンビュー公開データセットでアルゴリズムをテストしました。
私たちの評価では、提案された DroneNet が同等の CNN ベースのモデル上で優れたパフォーマンスを示すことがわかりました。

要約(オリジナル)

Video surveillance using drones is both convenient and efficient due to the ease of deployment and unobstructed movement of drones in many scenarios. An interesting application of drone-based video surveillance is to estimate crowd densities (both pedestrians and vehicles) in public places. Deep learning using convolution neural networks (CNNs) is employed for automatic crowd counting and density estimation using images and videos. However, the performance and accuracy of such models typically depend upon the model architecture i.e., deeper CNN models improve accuracy at the cost of increased inference time. In this paper, we propose a novel crowd density estimation model for drones (DroneNet) using Self-organized Operational Neural Networks (Self-ONN). Self-ONN provides efficient learning capabilities with lower computational complexity as compared to CNN-based models. We tested our algorithm on two drone-view public datasets. Our evaluation shows that the proposed DroneNet shows superior performance on an equivalent CNN-based model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google