論文の概要: Object condensation: one-stage grid-free multi-object reconstruction in physics detectors, graph and image data

• arxiv url: http://arxiv.org/abs/2002.03605v3
• Date: Sun, 27 Sep 2020 07:48:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 09:48:42.866024
• Title: Object condensation: one-stage grid-free multi-object reconstruction in physics detectors, graph and image data
• Title（参考訳）: 物体凝縮:物理検出器、グラフ、画像データにおける一段階グリッドフリー多物体再構成
• Authors: Jan Kieseler
• Abstract要約: 検出器信号に対して新しい物体凝縮法を提案する。 この方法は、グラフや点雲のような非イメージ的なデータ構造に基づいている。 これは画像の単純な対象分類問題に適用され、検出器信号から複数の粒子を再構成するために使用される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-energy physics detectors, images, and point clouds share many similarities in terms of object detection. However, while detecting an unknown number of objects in an image is well established in computer vision, even machine learning assisted object reconstruction algorithms in particle physics almost exclusively predict properties on an object-by-object basis. Traditional approaches from computer vision either impose implicit constraints on the object size or density and are not well suited for sparse detector data or rely on objects being dense and solid. The object condensation method proposed here is independent of assumptions on object size, sorting or object density, and further generalises to non-image-like data structures, such as graphs and point clouds, which are more suitable to represent detector signals. The pixels or vertices themselves serve as representations of the entire object, and a combination of learnable local clustering in a latent space and confidence assignment allows one to collect condensates of the predicted object properties with a simple algorithm. As proof of concept, the object condensation method is applied to a simple object classification problem in images and used to reconstruct multiple particles from detector signals. The latter results are also compared to a classic particle flow approach.
• Abstract（参考訳）: 高エネルギー物理検出器、画像、点雲は、物体検出の点で多くの類似点を共有している。 しかし、画像中の未知数の物体を検出することはコンピュータビジョンにおいて十分に確立されているが、粒子物理学における機械学習支援物体再構成アルゴリズムでさえ、物体ごとの特性をほぼ完全に予測している。 コンピュータビジョンからの伝統的なアプローチは、オブジェクトのサイズや密度に暗黙の制約を課し、スパース検出器データにはあまり適さないか、あるいは密度が高く固いオブジェクトに依存している。 ここで提案するオブジェクト凝縮法は,オブジェクトサイズやソート,あるいはオブジェクト密度の仮定とは無関係に,さらにグラフや点雲などの非イメージ的なデータ構造に一般化し,検出信号の表現に適している。 ピクセルや頂点自体がオブジェクト全体の表現として機能し、潜在空間における学習可能な局所クラスタリングと信頼性割り当ての組み合わせにより、予測されたオブジェクトプロパティの凝縮を単純なアルゴリズムで収集することができる。 概念実証として,物体凝縮法を画像の単純な対象分類問題に適用し,検出器信号から複数の粒子を再構成する。 後者の結果は古典的な粒子流アプローチと比較される。

関連論文リスト

• SINGAPO: Single Image Controlled Generation of Articulated Parts in Objects [20.978091381109294]
  本稿では,単一画像から音声オブジェクトを生成する手法を提案する。 提案手法は,入力画像と視覚的に一致した音声オブジェクトを生成する。 実験の結果,本手法は音声によるオブジェクト生成における最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-10-21T20:41:32Z)
• Category-level Shape Estimation for Densely Cluttered Objects [94.64287790278887]
  そこで本研究では,密に散らばった物体のカテゴリレベルの形状推定手法を提案する。 我々のフレームワークは、多視点視覚情報融合によって、各オブジェクトをクラッタに分割する。 シミュレーション環境と実世界の実験から,本手法が高精度な形状推定を実現することが示された。
  論文  参考訳（メタデータ） (2023-02-23T13:00:17Z)
• Object Detection in Aerial Images with Uncertainty-Aware Graph Network [61.02591506040606]
  本稿では,ノードとエッジがオブジェクトによって表現される構造化グラフを用いた,新しい不確実性を考慮したオブジェクト検出フレームワークを提案する。 我々は我々のモデルをオブジェクトDETection(UAGDet)のための不確実性対応グラフネットワークと呼ぶ。
  論文  参考訳（メタデータ） (2022-08-23T07:29:03Z)
• Automatic dataset generation for specific object detection [6.346581421948067]
  本研究では,オブジェクトの詳細な特徴を,無関係な情報を得ることなく保存することができるオブジェクト・イン・シーン・イメージの合成手法を提案する。 その結果,合成画像では,物体の境界が背景とよく一致していることがわかった。
  論文  参考訳（メタデータ） (2022-07-16T07:44:33Z)
• Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
  一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。 本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
  論文  参考訳（メタデータ） (2021-12-21T17:10:21Z)
• Unbiased IoU for Spherical Image Object Detection [45.17996641893818]
  まず,球面長方形は球面画像中の物体に対する非バイアス有界な境界ボックスであることを示すとともに,近似を伴わずにIoU計算の解析手法を提案する。 また,不偏表現と計算に基づいて,球面画像に対するアンカー自由物体検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-18T08:18:37Z)
• Continuous Surface Embeddings [76.86259029442624]
  我々は、変形可能な対象カテゴリーにおける密接な対応を学習し、表現するタスクに焦点をあてる。 本稿では,高密度対応の新たな学習可能な画像ベース表現を提案する。 提案手法は,人間の身近なポーズ推定のための最先端手法と同等以上の性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-11-24T22:52:15Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)
• Localizing Grouped Instances for Efficient Detection in Low-Resource Scenarios [27.920304852537534]
  可変物体の大きさや密度に適応するフレキシブルな検出手法を提案する。 我々は検出段階の連続に頼り、それぞれが個人だけでなく、対象の群を予測できる能力を持っている。 本稿では,2つの航空画像データセットの実験結果について報告し,提案手法が標準単発検出器よりも精度が高く,計算効率も高いことを示す。
  論文  参考訳（メタデータ） (2020-04-27T07:56:53Z)
• Object-Centric Image Generation from Layouts [93.10217725729468]
  複数のオブジェクトを持つ複雑なシーンを生成するレイアウト・ツー・イメージ生成法を開発した。 本手法は,シーン内のオブジェクト間の空間的関係の表現を学習し,レイアウトの忠実度の向上につながる。 本稿では,Fr'echet Inception Distanceのオブジェクト中心適応であるSceneFIDを紹介する。
  論文  参考訳（メタデータ） (2020-03-16T21:40:09Z)

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。