GroupNet: Detecting the Social Distancing Violation using Object Tracking in Crowdscene
Notice bibliographique
Résumé
COVID-19 affects everyone on a daily-basis causing adjustments in which society functions. One of these major adjustments is the need to measure how well people distance from each other, that is referred to as social distancing. Previous work to automate social distancing violations does not take into consideration the exceptions to minimum distance guidelines. In this paper, we propose GroupNet, a novel multi-object tracking social distancing violation detector through the addition of group detection to reduce the number of false positives that are currently missed in existing literature. We define the social distancing violation occurs when two individuals are within a specified Euclidean distance of two meters. GroupNet leverages the contextual information learned by group detection. Moreover, GroupNet uses a Joint Detection and Embedding (JDE) multi-object tracker as a backbone network for group detection. To map from pixel-wise coordinates to the real-world equivalent coordinate, a pre-processed affine matrix is used for the transformation. GroupNet determines if two individuals are a group through leveraging a re-identification component from a multi-object tracker. Location of bounding boxes are tracked over time to obtain individuals relative distance between each other. Group-Net uses regression analysis to determine if the relative distance between two individuals changes over time. The likelihood of the change in relative distance is non-zero determines group existence between individuals (i.e. group detection). Performance of GroupNet is evaluated by manual inspection of output images due to the lack of labeled ground truth data. Moreover, GroupNet through the provided experiments shows an improvement in the reduction in the number of false-positives due to group detection analysis alongside the addition of minimal false-negatives.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».