論文の概要: Accelerating the Registration of Image Sequences by Spatio-temporal Multilevel Strategies

• arxiv url: http://arxiv.org/abs/2001.06613v1
• Date: Sat, 18 Jan 2020 06:46:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 05:36:20.334279
• Title: Accelerating the Registration of Image Sequences by Spatio-temporal Multilevel Strategies
• Title（参考訳）: 時空間多段階戦略による画像系列登録の高速化
• Authors: Hari Om Aggrawal, Jan Modersitzki
• Abstract要約: 各空間レベルで時間次元に離散化の階層を構築する。 この戦略は、時間とともに動きを滑らかに仮定する動き推定問題に適合する。 この加速度は3つの光学トモグラフィーデータセット上での最先端のマルチレベル手法よりも平均2.5倍の精度で達成される。
• 参考スコア（独自算出の注目度）: 0.15229257192293197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multilevel strategies are an integral part of many image registration algorithms. These strategies are very well-known for avoiding undesirable local minima, providing an outstanding initial guess, and reducing overall computation time. State-of-the-art multilevel strategies build a hierarchy of discretization in the spatial dimensions. In this paper, we present a spatio-temporal strategy, where we introduce a hierarchical discretization in the temporal dimension at each spatial level. This strategy is suitable for a motion estimation problem where the motion is assumed smooth over time. Our strategy exploits the temporal smoothness among image frames by following a predictor-corrector approach. The strategy predicts the motion by a novel interpolation method and later corrects it by registration. The prediction step provides a good initial guess for the correction step, hence reduces the overall computational time for registration. The acceleration is achieved by a factor of 2.5 on average, over the state-of-the-art multilevel methods on three examined optical coherence tomography datasets.
• Abstract（参考訳）: マルチレベル戦略は多くの画像登録アルゴリズムの不可欠な部分である。 これらの戦略は、望ましくない局所最小値を避け、優れた初期推定を提供し、全体の計算時間を短縮したことで非常によく知られている。 最先端のマルチレベル戦略は、空間次元における離散化の階層を構築する。 本稿では,空間レベルでの時間次元における階層的離散化を導入する,時空間戦略を提案する。 この戦略は、時間とともに動きを滑らかに仮定する動き推定問題に適合する。 本手法は,予測子補正手法により,画像フレーム間の時間的平滑性を利用する。 この戦略は、新しい補間法により動きを予測し、後に登録により修正する。 予測ステップは、補正ステップの適切な初期推測を提供し、登録の全体的な計算時間を短縮する。 この加速度は3つの光コヒーレンストモグラフィーデータセットに対する最先端のマルチレベル手法よりも平均2.5倍の精度で達成される。

関連論文リスト

• Accelerating Inference in Large Language Models with a Unified Layer Skipping Strategy [67.45518210171024]
  動的計算手法は、いくつかの計算層をスキップすることで、Large Language Models (LLM) に対する顕著な加速を示す。 対象の高速化率のみに基づいて計算をスキップする層数を選択する統一層スキーッピング戦略を提案する。 機械翻訳とテキスト要約という2つの共通タスクの実験結果は、目標速度比が与えられた場合、統一層スキーピング戦略は推論性能と実際のモデルスループットの両方を著しく向上させることを示している。
  論文  参考訳（メタデータ） (2024-04-10T12:12:07Z)
• Learning optimal integration of spatial and temporal information in noisy chemotaxis [0.0]
  本研究では,空間的勾配推定による遊走速度と時間的推定による遊走速度の境界について検討する。 我々は、繰り返しニューラルネットワークによる協調的遊走政策をパラメータ化し、遊走細胞の最小理論モデルを用いて評価する。 政権間の移行は継続しており、移行地域では統合戦略が優れたことが判明した。
  論文  参考訳（メタデータ） (2023-10-16T15:50:23Z)
• Hierarchical Attention and Graph Neural Networks: Toward Drift-Free Pose Estimation [1.745925556687899]
  最もよく使われている3次元幾何登録法は、反復的なクローゼットポイントアルゴリズムである。 本稿では,階層型アテンション機構とグラフニューラルネットワークを用いた学習モデルを用いて,従来の幾何学的登録とポーズグラフ最適化を置き換えたフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T16:51:56Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• Optical-Flow-Reuse-Based Bidirectional Recurrent Network for Space-Time Video Super-Resolution [52.899234731501075]
  時空間ビデオ超解像(ST-VSR)は、与えられたビデオの空間解像度とフレームレートを同時に増加させる。 既存の手法は通常、近隣の幅広いフレームからの情報を効率的に活用する方法の難しさに悩まされる。 本稿では,隣接するフレーム間の知識を活用するために,ConvLSTMの代わりに粗大な双方向リカレントニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-13T15:21:30Z)
• TimeLens: Event-based Video Frame Interpolation [54.28139783383213]
  本稿では,合成法とフロー法の両方の利点を生かした,等価寄与法であるTime Lensを紹介する。 最先端のフレームベースおよびイベントベース手法よりもPSNRが最大5.21dB向上したことを示す。
  論文  参考訳（メタデータ） (2021-06-14T10:33:47Z)
• Learning to Estimate Hidden Motions with Global Motion Aggregation [71.12650817490318]
  閉塞は、局所的な証拠に依存する光学フローアルゴリズムに重大な課題をもたらす。 最初の画像でピクセル間の長距離依存性を見つけるために,グローバルモーションアグリゲーションモジュールを導入する。 遮蔽領域における光流量推定が非遮蔽領域における性能を損なうことなく大幅に改善できることを実証した。
  論文  参考訳（メタデータ） (2021-04-06T10:32:03Z)
• Escaping Poor Local Minima in Large Scale Robust Estimation [41.304283715031204]
  ロバストなパラメータ推定のための2つの新しいアプローチを紹介します。 最初のアルゴリズムは、貧弱なミニマから逃れる強力な能力を持つ適応的なカーネルスケーリング戦略を使用します。 第2のアルゴリズムは、一般化メジャー化最小化フレームワークと半二次昇降式を組み合わせて、シンプルで効率的なソルバーを得る。
  論文  参考訳（メタデータ） (2021-02-22T11:58:29Z)
• Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
  離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。 この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。 古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
  論文  参考訳（メタデータ） (2020-07-01T18:43:32Z)

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。