論文の概要: G2MF-WA: Geometric Multi-Model Fitting with Weakly Annotated Data
- arxiv url: http://arxiv.org/abs/2001.06965v1
- Date: Mon, 20 Jan 2020 04:22:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-08 05:33:23.576098
- Title: G2MF-WA: Geometric Multi-Model Fitting with Weakly Annotated Data
- Title(参考訳): G2MF-WA:弱アノテーションデータを用いた幾何学的マルチモデルフィッティング
- Authors: Chao Zhang, Xuequan Lu, Katsuya Hotta, and Xi Yang
- Abstract要約: 弱いアノテーションでは、ほとんどの手動アノテーションは正しくなければならないが、必然的に間違ったアノテーションと混同されている。
本稿では,WAデータを完全に活用してマルチモデル適合性能を向上させる手法を提案する。
- 参考スコア(独自算出の注目度): 15.499276649167975
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we attempt to address the problem of geometric multi-model
fitting with resorting to a few weakly annotated (WA) data points, which has
been sparsely studied so far. In weak annotating, most of the manual
annotations are supposed to be correct yet inevitably mixed with incorrect
ones. The WA data can be naturally obtained in an interactive way for specific
tasks, for example, in the case of homography estimation, one can easily
annotate points on the same plane/object with a single label by observing the
image. Motivated by this, we propose a novel method to make full use of the WA
data to boost the multi-model fitting performance. Specifically, a graph for
model proposal sampling is first constructed using the WA data, given the prior
that the WA data annotated with the same weak label has a high probability of
being assigned to the same model. By incorporating this prior knowledge into
the calculation of edge probabilities, vertices (i.e., data points) lie on/near
the latent model are likely to connect together and further form a
subset/cluster for effective proposals generation. With the proposals
generated, the $\alpha$-expansion is adopted for labeling, and our method in
return updates the proposals. This works in an iterative way. Extensive
experiments validate our method and show that the proposed method produces
noticeably better results than state-of-the-art techniques in most cases.
- Abstract(参考訳): 本稿では,これまで研究されてきた弱アノテート(WA)データポイントを考慮に入れた幾何学的マルチモデルフィッティングの問題に対処する。
弱い注釈では、ほとんどの手動アノテーションは正しく、必然的に間違ったアノテーションと混ざり合わなければならない。
WAデータは、例えば、ホモグラフィー推定の場合、画像を観察して同一平面上の点を単一のラベルで簡単にアノテートすることができるなど、特定のタスクに対して自然に対話的に取得することができる。
そこで本研究では,WAデータを完全に活用してマルチモデル適合性能を向上させる手法を提案する。
具体的には、同じ弱いラベルで注釈付けされたWAデータが同一モデルに割り当てられる確率が高いことを前提として、まずWAデータを用いてモデル提案サンプリング用グラフを構築する。
この事前知識をエッジ確率の計算に組み込むことで、頂点(すなわちデータポイント)は、潜在モデルが結合し、効果的な提案を生成するためのサブセット/クラスタを形成する可能性が高い。
提案が生成されると、$\alpha$-expansion がラベル付けに採用され、このメソッドは提案を更新します。
これは反復的に機能します。
大規模実験により本手法の有効性を検証し,提案手法が最先端技術よりも顕著に優れた結果をもたらすことを示す。
関連論文リスト
- Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。
設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。
5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
論文 参考訳(メタデータ) (2024-03-15T12:00:12Z) - EIGEN: Expert-Informed Joint Learning Aggregation for High-Fidelity
Information Extraction from Document Images [27.36816896426097]
レイアウトフォーマットの多様性が高いため,文書画像からの情報抽出は困難である。
本稿では,ルールベースの手法とデータプログラミングを用いたディープラーニングモデルを組み合わせた新しい手法であるEIGENを提案する。
我々のEIGENフレームワークは、ラベル付きデータインスタンスがほとんどない状態で、最先端のディープモデルの性能を大幅に向上させることができることを実証的に示しています。
論文 参考訳(メタデータ) (2023-11-23T13:20:42Z) - Collaborative Propagation on Multiple Instance Graphs for 3D Instance
Segmentation with Single-point Supervision [63.429704654271475]
本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。
これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。
具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-08-10T02:14:39Z) - Active Learning by Feature Mixing [52.16150629234465]
本稿では,ALFA-Mixと呼ばれるバッチ能動学習手法を提案する。
予測の不整合を求めることにより,不整合な特徴を持つインスタンスを同定する。
これらの予測の不整合は、モデルが未認識のインスタンスで認識できない特徴を発見するのに役立ちます。
論文 参考訳(メタデータ) (2022-03-14T12:20:54Z) - Instance-Level Relative Saliency Ranking with Graph Reasoning [126.09138829920627]
そこで本研究では,有意な事例を分割し,相対的有意な有意なランク順序を推定するための統一モデルを提案する。
また、サラレンシーランキングブランチを効果的にトレーニングするために、新しい損失関数も提案されている。
実験の結果,提案手法は従来の手法よりも有効であることがわかった。
論文 参考訳(メタデータ) (2021-07-08T13:10:42Z) - Towards Good Practices for Efficiently Annotating Large-Scale Image
Classification Datasets [90.61266099147053]
多数の画像の分類ラベルを収集するための効率的なアノテーション戦略を検討する。
人間のラベリング作業を最小化するための修正とベストプラクティスを提案します。
ImageNet100の125kイメージサブセットのシミュレーション実験では、平均で0.35のアノテーションで80%のトップ-1の精度でアノテートできることが示されている。
論文 参考訳(メタデータ) (2021-04-26T16:29:32Z) - Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。
1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。
各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-04-11T03:25:25Z) - DGSAC: Density Guided Sampling and Consensus [4.808421423598809]
Kernel Residual Densityは、inlierとoutlierの主な差別化要因である。
本稿では,2つのモデル選択アルゴリズム,最適2次プログラム,および欲求性を提案する。
平面分割, 運動分割, 点推定, 3次元点雲への平面整合, 直線, 円環整合など, 様々なタスクについて評価を行った。
論文 参考訳(メタデータ) (2020-06-03T17:42:53Z) - Hypergraph Optimization for Multi-structural Geometric Model Fitting [42.217640009137554]
単純かつ効果的なハイパーグラフを構築するために,新しいハイパーグラフ最適化モデルフィッティング法(HOMF)を提案する。
提案手法は効率が高く,数回の反復で精度の高いモデルフィッティング結果が得られる。
論文 参考訳(メタデータ) (2020-02-13T05:07:11Z)
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。