論文の概要: Recognizing Instagram Filtered Images with Feature De-stylization

• arxiv url: http://arxiv.org/abs/1912.13000v1
• Date: Mon, 30 Dec 2019 16:48:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-17 02:34:39.595940
• Title: Recognizing Instagram Filtered Images with Feature De-stylization
• Title（参考訳）: 機能非スティル化によるInstagramのフィルタ画像認識
• Authors: Zhe Wu, Zuxuan Wu, Bharat Singh, Larry S. Davis
• Abstract要約: 本稿では,Instagramのフィルターによって,事前学習モデルがどのような影響を受けているかについて検討する。 画像のグローバルな外観を変えるだけの単純な構造保存フィルタは、畳み込み特徴空間に大きな違いをもたらす可能性が示唆された。 我々は,特徴マップのスケーリングとシフトに使用されるパラメータを予測し,フィルタによって引き起こされる変化を“無視”する,軽量なデスティル化モジュールを導入する。
• 参考スコア（独自算出の注目度）: 81.38905784617089
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks have been shown to suffer from poor generalization when small perturbations are added (like Gaussian noise), yet little work has been done to evaluate their robustness to more natural image transformations like photo filters. This paper presents a study on how popular pretrained models are affected by commonly used Instagram filters. To this end, we introduce ImageNet-Instagram, a filtered version of ImageNet, where 20 popular Instagram filters are applied to each image in ImageNet. Our analysis suggests that simple structure preserving filters which only alter the global appearance of an image can lead to large differences in the convolutional feature space. To improve generalization, we introduce a lightweight de-stylization module that predicts parameters used for scaling and shifting feature maps to "undo" the changes incurred by filters, inverting the process of style transfer tasks. We further demonstrate the module can be readily plugged into modern CNN architectures together with skip connections. We conduct extensive studies on ImageNet-Instagram, and show quantitatively and qualitatively, that the proposed module, among other things, can effectively improve generalization by simply learning normalization parameters without retraining the entire network, thus recovering the alterations in the feature space caused by the filters.
• Abstract（参考訳）: 深層ニューラルネットワークは、小さな摂動(ガウスノイズのような)が加えられたときの一般化が貧弱であることが示されているが、フォトフィルターのようなより自然な画像変換に対する頑健性を評価するための研究はほとんど行われていない。 本稿では,一般的なinstagramフィルタによる事前学習モデルへの影響について検討する。 この目的のために、imagenetのフィルタバージョンであるimagenet-instagramを紹介し、imagenetの各イメージに20の人気のあるinstagramフィルタを適用する。 解析の結果,画像の全体像のみを変化させる単純な構造保存フィルタは畳み込み特徴空間に大きな差をもたらす可能性が示唆された。 汎用性を向上させるために,特徴マップのスケーリングやシフトに使用されるパラメータを予測し,フィルタによって発生する変更をアンドにし,スタイル転送タスクのプロセスを反転させる軽量な非スタイライゼーションモジュールを提案する。 我々はさらに、モジュールをスキップ接続と共に最新のcnnアーキテクチャに容易にプラグインできることを実証する。 本研究では,imagenet-instagramに関する広範囲な研究を行い,提案するモジュールがネットワーク全体を再トレーニングすることなく正規化パラメータを学習することによって,フィルタによる特徴空間の変化を回復することにより,一般化を効果的に改善できることを示す。

関連論文リスト

• Catch-Up Mix: Catch-Up Class for Struggling Filters in CNN [15.3232203753165]
  ディープラーニングモデルは、しばしば複雑さと過度な適合に関する課題に直面します。 注目すべき懸念の1つは、このモデルは予測を行うためのフィルターの限られたサブセットに大きく依存することが多いことである。 そこで本研究では,Catch-up Mixと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-24T02:42:50Z)
• Uncovering the Disentanglement Capability in Text-to-Image Diffusion Models [60.63556257324894]
  画像生成モデルの重要な特性は、異なる属性をアンタングルする能力である。 本稿では,2つのテキスト埋め込みの混合重みをスタイルマッチングとコンテンツ保存に最適化した,シンプルで軽量な画像編集アルゴリズムを提案する。 実験により,提案手法は拡散モデルに基づく画像編集アルゴリズムよりも優れた性能で,幅広い属性を修正可能であることが示された。
  論文  参考訳（メタデータ） (2022-12-16T19:58:52Z)
• Gabor is Enough: Interpretable Deep Denoising with a Gabor Synthesis Dictionary Prior [6.297103076360578]
  ガバーライクなフィルタはCNN分類器の初期層や低レベルの画像処理ネットワークで観測されている。 本研究では,自然像のCNNのフィルタを2次元実ガボルフィルタで学習するために,この観察を極端かつ明示的に制限する。 提案したネットワーク(GDLNet)は,一般的な完全畳み込みニューラルネットワークにおいて,最先端のデノゲーション性能を実現することができる。
  論文  参考訳（メタデータ） (2022-04-23T22:21:54Z)
• Patch-wise Contrastive Style Learning for Instagram Filter Removal [3.867363075280544]
  ソーシャルメディアフィルターは、現実世界のビジュアル分析アプリケーションにおいて、様々な汚職や摂動の最も一般的なリソースの1つである。 Contrastive Instagram Filter removed Network (CIFR)を導入し、新しいマルチレイヤパッチワイドコントラスト学習機構を用いることで、Instagramフィルタ除去のこの考え方を強化する。
  論文  参考訳（メタデータ） (2022-04-15T14:38:28Z)
• Unsharp Mask Guided Filtering [53.14430987860308]
  本論文の目的は,フィルタ中の構造伝達の重要性を強調した画像フィルタリングである。 アンシャープマスキングにインスパイアされたガイドフィルタの新しい簡易な定式化を提案する。 我々の定式化は低域フィルタに先立ってフィルタを楽しみ、単一の係数を推定することで明示的な構造伝達を可能にする。
  論文  参考訳（メタデータ） (2021-06-02T19:15:34Z)
• Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
  適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。 提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
  論文  参考訳（メタデータ） (2021-04-26T19:31:21Z)
• Instagram Filter Removal on Fashionable Images [2.1485350418225244]
  ソーシャルメディア分析アプリケーションにおける画像フィルタの効果を軽減するため,Instagramフィルタ除去ネットワーク(IFRNet)を導入する。 IFRNetは、定量的および定性的な比較においてすべての比較方法を上回ることを実証する。 本研究では,提案モデルのフィルタ分類性能を提示し,比較手法によってフィルタされていない画像の優性色推定を解析する。
  論文  参考訳（メタデータ） (2021-04-11T18:44:43Z)
• Look here! A parametric learning based approach to redirect visual attention [49.609412873346386]
  画像領域を微妙な画像編集によってより注目度の高いものにするための自動手法を提案する。 我々のモデルは、前景および背景画像領域に適用可能な、異なるグローバルパラメトリック変換セットを予測する。 編集により、任意の画像サイズでインタラクティブなレートでの推論が可能になり、簡単に動画に一般化できる。
  論文  参考訳（メタデータ） (2020-08-12T16:08:36Z)
• Filter Grafting for Deep Neural Networks: Reason, Method, and Cultivation [86.91324735966766]
  フィルタは現代の畳み込みニューラルネットワーク(CNN)のキーコンポーネントである 本稿では,この目的を達成するためにフィルタグラフト(textbfMethod)を導入する。 我々は,フィルタの情報を測定するための新しい基準と,グラフトされた情報をネットワーク間でバランスをとるための適応重み付け戦略を開発する。
  論文  参考訳（メタデータ） (2020-04-26T08:36:26Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。