論文の概要: Histogram Layers for Texture Analysis

• arxiv url: http://arxiv.org/abs/2001.00215v12
• Date: Wed, 6 Jan 2021 01:40:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-16 09:10:59.609369
• Title: Histogram Layers for Texture Analysis
• Title（参考訳）: テクスチャ解析のためのヒストグラム層
• Authors: Joshua Peeples, Weihuang Xu, and Alina Zare
• Abstract要約: ニューラルネットワークのための局所的なヒストグラム層を提示する。 本手法と最先端テクスチャ符号化法を比較した。 その結果,提案したヒストグラム層を組み込むことで性能が向上した。
• 参考スコア（独自算出の注目度）: 3.107843027522116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An essential aspect of texture analysis is the extraction of features that describe the distribution of values in local, spatial regions. We present a localized histogram layer for artificial neural networks. Instead of computing global histograms as done previously, the proposed histogram layer directly computes the local, spatial distribution of features for texture analysis and parameters for the layer are estimated during backpropagation. We compare our method with state-of-the-art texture encoding methods such as the Deep Encoding Network Pooling, Deep Texture Encoding Network, Fisher Vector convolutional neural network, and Multi-level Texture Encoding and Representation on three material/texture datasets: (1) the Describable Texture Dataset; (2) an extension of the ground terrain in outdoor scenes; (3) and a subset of the Materials in Context dataset. Results indicate that the inclusion of the proposed histogram layer improves performance. The source code for the histogram layer is publicly available: https://github.com/GatorSense/Histogram_Layer.
• Abstract（参考訳）: テクスチャ分析の重要な側面は、局所的空間的領域における値の分布を記述する特徴の抽出である。 ニューラルネットワークのための局所的なヒストグラム層を提示する。 提案するヒストグラム層は, 前述したようなグローバルヒストグラムを計算せず, テクスチャ解析のための局所的空間分布と, バックプロパゲーション中に推定されるパラメータを直接計算する。 本稿では,Deep Encoding Network Pooling, Deep Texture Encoding Network, Fisher Vector Convolutional Neural Network, Multi-level Texture Encoding and Representation on three material/texture data: 1) Describable Texture Dataset, (2) 屋外シーンにおける地上地形の拡張,(3) コンテキストデータセットにおけるマテリアルのサブセットなど,最先端のテクスチャ符号化手法との比較を行った。 その結果,提案するヒストグラム層の導入により性能が向上した。 Histogramレイヤのソースコードは、https://github.com/GatorSense/Histogram_Layer.comで公開されている。

関連論文リスト

• Lacunarity Pooling Layers for Plant Image Classification using Texture Analysis [0.38366697175402226]
  ポーリング層は、画素強度及び/または特徴値の空間配置に符号化された重要な情報を見渡す。 そこで本研究では,特徴マップの空間的不均一性を,局所窓内における変動性の評価により捉えることを目的とした,新しいラキュナリティプーリング層を提案する。 ラキュナリティプーリング層は、任意の人工ニューラルネットワークアーキテクチャにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2024-04-25T00:34:52Z)
• Histogram Layers for Neural Engineered Features [1.3963768610574674]
  局所的なバイナリパターンとエッジヒストグラム記述子は、様々なコンピュータビジョンタスクにおいて有益な特徴であることが示されている。 本稿では,ニューラルネットワークに埋め込まれたヒストグラム層を用いて,これらの特徴が学べるかどうかを考察する。 本稿では,特徴表現を協調的に改善し,画像分類を行う,局所的バイナリパターンとエッジヒストグラム記述子のニューラルバージョンを提案する。
  論文  参考訳（メタデータ） (2024-03-25T20:43:48Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Texture image analysis based on joint of multi directions GLCM and local ternary patterns [0.0]
  テクスチャ機能は、通勤視覚や機械学習問題において、多くの異なるアプリケーションで使用することができる。 2つのテクスチャ記述子、共起行列と局所三元パターンを組み合わせた新しい手法を提案する。 実験の結果,提案手法はいくつかの最先端手法と比較して高い分類率を示すことがわかった。
  論文  参考訳（メタデータ） (2022-09-05T09:53:00Z)
• RTMV: A Ray-Traced Multi-View Synthetic Dataset for Novel View Synthesis [104.53930611219654]
  約2000の複雑なシーンからレンダリングされた300k画像からなる,新しいビュー合成のための大規模合成データセットを提案する。 データセットは、新しいビュー合成のための既存の合成データセットよりも桁違いに大きい。 高品質な3Dメッシュの4つのソースを使用して、私たちのデータセットのシーンは、カメラビュー、照明、形状、材料、テクスチャの難しいバリエーションを示します。
  論文  参考訳（メタデータ） (2022-05-14T13:15:32Z)
• Multiscale Analysis for Improving Texture Classification [62.226224120400026]
  本稿では,テクスチャの異なる空間周波数帯域を別々に扱うために,ガウス・ラプラシアピラミッドを用いる。 バイオインスパイアされたテクスチャ記述子,情報理論測度,灰色レベルの共起行列特徴,ハリリック統計特徴から抽出した特徴を特徴ベクトルに集約した。
  論文  参考訳（メタデータ） (2022-04-21T01:32:22Z)
• DeepSatData: Building large scale datasets of satellite images for training machine learning models [77.17638664503215]
  本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。 本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
  論文  参考訳（メタデータ） (2021-04-28T15:13:12Z)
• Learning Statistical Texture for Semantic Segmentation [53.7443670431132]
  セマンティックセグメンテーションのための新しい統計テクスチャ学習ネットワーク(STLNet)を提案する。 STLNetは、初めて低レベルの情報の分布を分析し、それらをタスクに効率的に活用する。 1)テクスチャ関連情報を捕捉し,テクスチャの詳細を強化するためのテクスチャエンハンスモジュール(TEM),(2)ピラミッドテクスチャ特徴抽出モジュール(PTFEM)の2つのモジュールを導入し,複数のスケールから統計的テクスチャ特徴を効果的に抽出する。
  論文  参考訳（メタデータ） (2021-03-06T15:05:35Z)
• H3D: Benchmark on Semantic Segmentation of High-Resolution 3D Point Clouds and textured Meshes from UAV LiDAR and Multi-View-Stereo [4.263987603222371]
  本稿では,3つの方法でユニークな3次元データセットを提案する。 ヘシグハイム(ドイツ語: Hessigheim, H3D)は、ドイツの都市。 片手で3次元データ分析の分野での研究を促進するとともに、新しいアプローチの評価とランク付けを目的としている。
  論文  参考訳（メタデータ） (2021-02-10T09:33:48Z)
• Towards Analysis-friendly Face Representation with Scalable Feature and Texture Compression [113.30411004622508]
  普遍的で協調的な視覚情報表現は階層的な方法で実現できることを示す。 ディープニューラルネットワークの強力な生成能力に基づいて、基本特徴層と強化層の間のギャップは、特徴レベルのテクスチャ再構築によってさらに埋められる。 提案するフレームワークの効率を改善するために,ベース層ニューラルネットワークをマルチタスクでトレーニングする。
  論文  参考訳（メタデータ） (2020-04-21T14:32:49Z)

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。