Muestreo eficiente bajo diferentes escalados: estereología aplicada a IA

Abstract

La estereología es la ciencia del muestreo geométrico y permite estimar cantidades utilizando fórmulas que suelen incluir esperanzas. La inteligencia artificial es una disciplina en ciencias de computación que engloba varios procesos relacionados con crear máquinas inteligentes. En este trabajo se han combinado la estereología y la IA de cara a probar un nuevo método de conteo de multitudes (Crowd Counting), el área centrada en estimar el número de individuos en imágenes o vídeos. El planteamiento de nuestro método considera un test system (sistema de testeo) de quadrats modificado cuyos quadrats sólo se posicionan en los puntos contenidos en un conjunto de puntos óptimo que minimiza el worst case error (error en el peor caso) para la integración Quasi-Monte Carlo. Superponiendo este test system a una imagen y recortándola en los quadrats podemos usar el modelo de IA para contar individuos en cada recorte y, posteriormente, usar las Ecuaciones 5 y 9 para estimar la cantidad total de individuos en la imagen original. El modelo de IA escogido para probar nuestro método ha sido CLIP-EBC, dado que es un modelo público y uno de los modelos con mejores resultados en conteo de multitudes. Los resultados computados para las métricas de validación MAE (error absoluto medio) y RMSE (error cuadrático medio) muestran resultados esperanzadores respecto a nuestro método. Lo que es más, los tiempos de cómputo obtenidos para dicha variante son mucho más bajos que los obtenidos por uno de los modelos que mejores resultados obtiene, CLIP-EBC.

Stereology is the science of geometric sampling and it allows to estimate quantities using formulas that usually include expectations. Artificial Intelligence is a discipline in computer science that encompasses several different processes concerned with making machines smart. In this work we combined both Stereology and AI in order to test a new method for Crowd Counting, a field that revolves around the estimation of the number of individuals in images or videos. Our method’s approach considers a modified test system of quadrats whose quadrats are only located at the points contained in an Optimal Point Set that minimizes the worst case error for Quasi-Monte Carlo Integration. By superimposing the system to an image and cropping that image by the quadrats, we can then use an AI model to count individuals on each crop, subsequently using Equations 5 and 9 to estimate the total count value of individuals in the original image. The chosen AI model to test our method was CLIP-EBC, as it is a public model and one of the best performing models in crowd-counting. The computed results for the validation metrics MAE and RMSE shows promising results. An additional benefit is the computing times obtained for that variant are significantly lower than those obtained by the most optimised performing methods, CLIP-EBC.