Fugu-MT 論文翻訳(概要): Robust Shape Regularity Criteria for Superpixel Evaluation

論文の概要: Robust Shape Regularity Criteria for Superpixel Evaluation

arxiv url: http://arxiv.org/abs/1903.07146v2
Date: Wed, 17 Sep 2025 14:11:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-18 18:41:50.471014
Title: Robust Shape Regularity Criteria for Superpixel Evaluation
Title（参考訳）: 超画素評価のためのロバスト形状規則性基準
Authors: Rémi Giraud, Vinh-Thong Ta, Nicolas Papadakis,
Abstract要約: スーパーピクセル形状の正則性やコンパクト性は、主にその円形性によって測定される。形状の正則性を考慮した新しい計量法を提案する。我々の測度は、スケールとノイズに対して堅牢であり、より関連性の高いスーパーピクセル法の比較を可能にする。
参考スコア（独自算出の注目度）: 5.746869663956391
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Regular decompositions are necessary for most superpixel-based object recognition or tracking applications. So far in the literature, the regularity or compactness of a superpixel shape is mainly measured by its circularity. In this work, we first demonstrate that such measure is not adapted for superpixel evaluation, since it does not directly express regularity but circular appearance. Then, we propose a new metric that considers several shape regularity aspects: convexity, balanced repartition, and contour smoothness. Finally, we demonstrate that our measure is robust to scale and noise and enables to more relevantly compare superpixel methods.
Abstract（参考訳）: 通常の分解は、ほとんどのスーパーピクセルベースのオブジェクト認識や追跡アプリケーションに必要である。これまでの文献では、スーパーピクセル形状の規則性やコンパクト性は、主にその円形性によって測定されている。本研究は, 正則性を直接表現せず, 円形の外観を表わさないため, スーパーピクセル評価に適応しないことを示す。そこで, 凸性, 平衡分割, 輪郭の滑らかさなど, 形状の正則性を考慮した新しい計量法を提案する。最後に、我々の測定値がスケールとノイズに対して堅牢であることを示し、より関連性の高いスーパーピクセル法の比較を可能にする。

関連論文リスト

Superpixel Segmentation: A Long-Lasting Ill-Posed Problem [1.104960878651584]
スーパーピクセルの分割は,スーパーピクセルの形状とサイズに暗黙の規則性制約があるため,基本的に不適切な問題であることを示す。我々は,超画素セグメンテーションタスクを専用にトレーニングすることなく,SAM(Segment Anything Model)のような最近のアーキテクチャを用いて,競争力のある結果が得られることを示す。
論文参考訳（メタデータ） (2024-11-10T14:31:56Z)
Image Reconstruction using Superpixel Clustering and Tensor Completion [21.088385725444944]
本手法では,重要なテクスチャやセマンティクスを捉えた複数の領域に分割し,各領域から代表画素を選択して保存する。本稿では,2つのスムーズなテンソル補完アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-05-16T16:00:48Z)
Efficient Multiscale Object-based Superpixel Framework [62.48475585798724]
我々は,SICLE(Iterative CLEarcutting)によるスーパーピクセルという,新しいスーパーピクセルフレームワークを提案する。 SICLEは、複数スケールのセグメンテーションをオンザフライで生成できるオブジェクト情報を利用する。これは最近のスーパーピクセル法を一般化し、複数のデライン化指標に従って効率と効率性に関する最先端のアプローチを超越している。
論文参考訳（メタデータ） (2022-04-07T15:59:38Z)
Saliency Enhancement using Superpixel Similarity [77.34726150561087]
Saliency Object Detection (SOD) は画像解析にいくつかの応用がある。深層学習に基づくSOD法は最も効果的であるが、類似した色を持つ前景の部品を見逃すことがある。スーパーピクセル類似性(SESS)に対するtextitSaliency Enhancement というポストプロセッシング手法を導入する。我々は,SESSが5つの画像データセット上での3つのディープラーニングに基づくSOD手法の結果を連続的に,かつ著しく改善できることを実証した。
論文参考訳（メタデータ） (2021-12-01T17:22:54Z)
Pixel-Perfect Structure-from-Motion with Featuremetric Refinement [96.73365545609191]
複数視点からの低レベル画像情報を直接アライメントすることで、動きからの2つの重要なステップを洗練する。これにより、様々なキーポイント検出器のカメラポーズとシーン形状の精度が大幅に向上する。本システムは,大規模な画像コレクションに容易にスケールできるので,クラウドソースによる大規模なローカライゼーションを実現することができる。
論文参考訳（メタデータ） (2021-08-18T17:58:55Z)
Superpixel Segmentation Based on Spatially Constrained Subspace Clustering [57.76302397774641]
独立意味情報を持つ各代表領域を部分空間とみなし,部分空間クラスタリング問題としてスーパーピクセルセグメンテーションを定式化する。従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの簡単な統合は,画素の空間相関のために効果的に機能しないことを示す。本稿では,空間隣接画素に類似の属性を付加してスーパーピクセルにクラスタリング可能な,凸局所性制約付きサブスペースクラスタリングモデルを提案する。
論文参考訳（メタデータ） (2020-12-11T06:18:36Z)
Superpixel Based Graph Laplacian Regularization for Sparse Hyperspectral Unmixing [1.14219428942199]
画像境界を考慮した超画素分割アルゴリズムを用いて同質領域を抽出する。まず、各スーパーピクセルの重み付きグラフを、各スーパーピクセルで$K$-nearest ピクセルを選択して構築する。グラフラプラシア正規化を用いて空間的類似性を検討した。
論文参考訳（メタデータ） (2020-07-28T07:30:50Z)
ITSELF: Iterative Saliency Estimation fLexible Framework [68.8204255655161]
機密度オブジェクト検出は、画像で最も顕著なオブジェクトを推定する。我々は,ユーザ定義の仮定をモデルに追加できる,スーパーピクセルベースのITELF(ITSELF)を提案する。 ITSELFを5つのメトリクスと6つのデータセットで2つの最先端の精度推定器と比較する。
論文参考訳（メタデータ） (2020-06-30T16:51:31Z)
Generalized Shortest Path-based Superpixels for Accurate Segmentation of Spherical Images [2.4063592468412267]
SphSPS(Spherical Shortest Path-based Superpixels)と呼ばれる球面画像のための新しいスーパーピクセル法を提案する。我々のアプローチは球面幾何学を尊重し、3次元球面取得空間上の画素とスーパーピクセル中心の間の最短経路の概念を一般化する。このような経路の特徴情報をクラスタリングフレームワークに効率的に組み込むことができ、オブジェクトの輪郭や形状の規則性に関して共同的に改善できることが示される。
論文参考訳（メタデータ） (2020-04-15T23:41:32Z)
PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models [77.32079593577821]
PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2020-03-08T16:44:31Z)
SCALP: Superpixels with Contour Adherence using Linear Path [5.746869663956391]
本稿では,反復クラスタリングフレームワークにおける線形パス (SCALP) を用いたコントラルアジェンスを用いたスーパーピクセルの高速計算法を提案する。提案したフレームワークは、輪郭の輪郭に固執するコンパクトでスーパーピクセルを生成する。
論文参考訳（メタデータ） (2019-03-17T19:23:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。