Crowd system has motivated a surge

Crowd system has motivated a surge of interests in many areas of multimedia, as it contains plenty of information about crowd scenes. In crowd systems, individuals tend to exhibit collective behaviors, and the motion of all those individuals is called collective motion. As a comprehensive descriptor of collective motion, collectiveness has been proposed to reflect the degree of individuals moving as an entirety. Nevertheless, existing works mostly have limitations to correctly find the individuals of a crowd system and precisely capture the various relationships between individuals, both of which are essential to measure collectiveness. In this article, we propose a collectiveness-measuring method that is capable of quantifying collectiveness accurately. Our main contributions are threefold: (1) we compute relatively accurate collectiveness by making the tracked feature points represent the individuals more precisely with a point selection strategy; (2) we jointly investigate the spatial-temporal information of individuals and utilize it to characterize the topological relationship between individuals by manifold learning; (3) we propose a stability descriptor to deal with the irregular individuals, which influence the calculation of collectiveness. Intensive experiments on the simulated and real world datasets demonstrate that the proposed method is able to compute relatively accurate collectiveness and keep high consistency with human perception.

ผลลัพธ์ (ไทย) 1:

ระบบฝูงมีแรงจูงใจกระชากในหลายพื้นที่ของมัลติมีเดีย เนื่องจากประกอบด้วยข้อมูลเกี่ยวกับฉากที่ฝูงชนมากมาย ในฝูงชนระบบ มีแนวโน้มที่บุคคลจะ แสดงพฤติกรรมร่วมกัน และการเคลื่อนที่ของบุคคลผู้เรียกว่าเคลื่อนไหวร่วมกัน เป็นตัวอธิบายที่ครอบคลุมของการเคลื่อนไหวรวม ได้รับการเสนอ collectiveness เพื่อสะท้อนระดับของบุคคลที่เคลื่อนไหวเป็นทั้งการ อย่างไรก็ตาม ทำงานที่มีอยู่ส่วนใหญ่มีข้อจำกัดเพื่อค้นหาบุคคลที่มีระบบฝูงชนอย่างถูกต้อง และแม่นยำจับความสัมพันธ์ต่าง ๆ ระหว่างบุคคล ซึ่งทั้งสองมีความจำเป็นในการวัด collectiveness ในบทความนี้ เราเสนอวิธีการวัด collectiveness ที่มีความสามารถเชิงปริมาณ collectiveness อย่างถูกต้อง ผลงานหลักของเราที่มีสามเท่า: (1) เรามีคำนวณค่อนข้างแม่นยำ collectiveness โดยจุดติดตามคุณลักษณะแสดงถึงบุคคลได้แม่นยำมาก ด้วยกลยุทธ์การเลือกจุด (2) เราสามารถตรวจสอบข้อมูล spatial temporal ของบุคคลร่วมกัน และใช้การอธิบายลักษณะความสัมพันธ์ระหว่างบุคคลโดยการเรียนรู้ที่หลากหลาย topological (3) เราเสนอตัวบอกเกี่ยวกับความมั่นคงในการจัดการกับบุคคลที่ผิดปกติ ซึ่งมีผลต่อการคำนวณ collectiveness เร่งรัดการทดลองกับชุดข้อมูลจริง และจำลองโลกแสดงให้เห็นว่า วิธีการนำเสนอไม่สามารถคำนวณ collectiveness ค่อนข้างแม่นยำ และให้สูงสอดคล้องกับการรับรู้ของมนุษย์

ผลลัพธ์ (ไทย) 2:

ระบบฝูงชนที่มีแรงจูงใจการหลั่งไหลของความสนใจในหลายพื้นที่ของมัลติมีเดียเนื่องจากมีความอุดมสมบูรณ์ของข้อมูลเกี่ยวกับฉากฝูงชน ในระบบที่ฝูงชนที่บุคคลมีแนวโน้มที่จะแสดงพฤติกรรมโดยรวมและการเคลื่อนไหวของบุคคลทุกคนที่เรียกว่าการเคลื่อนไหวของกลุ่ม ในฐานะที่เป็นคำอธิบายที่ครอบคลุมของการเคลื่อนไหวรวม collectiveness ได้รับการเสนอที่จะสะท้อนให้เห็นถึงระดับของบุคคลที่ย้ายเป็นทั้งปวง อย่างไรก็ตามผลงานที่มีอยู่ส่วนใหญ่มีข้อ จำกัด ที่จะหาบุคคลที่ระบบฝูงชนได้อย่างถูกต้องและแม่นยำจับภาพความสัมพันธ์ระหว่างบุคคลต่าง ๆ ซึ่งทั้งสองมีความจำเป็นในการวัด collectiveness ในบทความนี้เราจึงนำเสนอวิธีการ collectiveness วัดที่มีความสามารถในเชิงปริมาณ collectiveness ได้อย่างถูกต้อง ผลงานหลักของเราคือไตรสิกขา: (1) เราคำนวณ collectiveness ค่อนข้างถูกต้องโดยการติดตามจุดคุณลักษณะเป็นตัวแทนของประชาชนอย่างแม่นยำมากขึ้นกับกลยุทธ์การเลือกจุด; (2) การที่เราได้ร่วมกันตรวจสอบข้อมูลเชิงพื้นที่-ชั่วคราวของบุคคลและใช้มันเพื่อแสดงลักษณะความสัมพันธ์ระหว่างบุคคลทอพอโลยีโดยการเรียนรู้มากมาย; (3) เราเสนออธิบายความมั่นคงที่จะจัดการกับบุคคลที่ผิดปกติซึ่งมีผลต่อการคำนวณของ collectiveness การทดลองแบบเร่งรัดในจำลองและชุดข้อมูลที่แท้จริงของโลกแสดงให้เห็นว่าวิธีที่นำเสนอสามารถที่จะคำนวณ collectiveness ค่อนข้างถูกต้องและให้สอดคล้องกับการรับรู้สูงของมนุษย์

ผลลัพธ์ (ไทย) 3:

ฝูงชนมีแรงจูงใจระบบกระชากความสนใจในหลายพื้นที่ของมัลติมีเดีย ประกอบด้วยฉากฝูงชนมากมายเกี่ยวกับข้อมูล ในระบบฝูงชนบุคคลมีแนวโน้มที่จะแสดงพฤติกรรมรวมหมู่ และการเคลื่อนไหวของบุคคลเหล่านั้น เรียกว่า กลุ่มเคลื่อนไหว เป็นหัวเรื่องที่ครอบคลุมของกลุ่มเคลื่อนไหว collectiveness ได้รับการเสนอเพื่อสะท้อนถึงระดับของบุคคลที่ย้ายเป็นทั้งหมด อย่างไรก็ตาม งานที่มีอยู่ส่วนใหญ่มีข้อจำกัดที่ถูกต้องหาบุคคลของระบบและความสัมพันธ์ต่าง ๆได้อย่างแม่นยำ จับฝูงชนระหว่างบุคคลทั้งสองซึ่งเป็นสิ่งจำเป็นเพื่อวัด collectiveness . ในบทความนี้ได้นำเสนอวิธีการวัด collectiveness ที่สามารถ collectiveness ค่าถูกต้อง ผลงานของเราเป็นหลักสามประการ : ( 1 ) เราคำนวณ collectiveness ถูกต้องค่อนข้าง โดยการติดตามคุณลักษณะจุดเป็นตัวแทนของบุคคลจริงที่มีจุดกลยุทธ์การเลือก ; ( 2 ) เราได้ร่วมกันศึกษาข้อมูล spatial-temporal ของบุคคลและใช้มันในลักษณะของความสัมพันธ์ระหว่างบุคคล โดยรูปแบบการเรียนรู้มากมาย ; ( 3 ) เราเสนอความมั่นคงหัวเรื่องการจัดการกับบุคคลที่ผิดปกติซึ่งมีผลต่อการคำนวณ collectiveness . เข้มข้นในการทดลองและจำลองข้อมูลโลกจริงแสดงให้เห็นว่าวิธีการที่เสนอสามารถคำนวณ collectiveness ถูกต้องค่อนข้าง และให้ความมั่นคงสูงกับการรับรู้ของมนุษย์