초록
기존의 카운팅 방법은 종종 회귀 기반 접근법을 채택하여 대상 객체를 정확히 위치 결정할 수 없어 고차원 이해와 세부 분류 등의 후속 분석을 방해합니다. 또한, 이전 연구 대부분은 고정된 카메라를 사용한 정적 환경에서 객체를 카운팅하는 데 주로 초점을 맞추고 있습니다. 드론 등 무인 비행체의 등장에 영감을 받아, 우리는 이러한 동적 환경에서 객체를 감지하고 카운팅하는 것에 관심을 가지고 있습니다. 우리는 드론으로 촬영된 비디오에서 대상 객체(예: 자동차)를 동시에 카운팅하고 위치 결정하기 위해 레이아웃 제안 네트워크(Layout Proposal Networks, LPNs)와 공간 커널(spatial kernels)을 제안합니다. 전통적인 영역 제안 방법과 달리, 우리는 공간 배치 정보(예: 자동차는 종종 규칙적으로 주차됨)를 활용하여 이러한 공간적으로 규제된 제약 조건을 네트워크에 도입하여 위치 결정의 정확성을 향상시킵니다. 우리의 카운팅 방법을 평가하기 위해, 다양한 주차장에서 약 90,000대의 자동차가 포착된 새로운 대규모 주차장 데이터셋(CARPK)을 소개합니다. 우리所知,这是第一个也是最大的支持对象计数的无人机视角数据集，并提供边界框注释。为了保持一致性并修正最后一句中的语言错误，以下是最终版本：우리의 지식으로 알기로, 이는 객체 카운팅을 지원하는 첫 번째이자 가장 큰 드론 시점 데이터셋이며, 경계 상자 주석을 제공합니다.