論文の概要: The Impact of Hole Geometry on Relative Robustness of In-Painting Networks: An Empirical Study

• arxiv url: http://arxiv.org/abs/2003.02314v1
• Date: Wed, 4 Mar 2020 20:14:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 12:58:31.573952
• Title: The Impact of Hole Geometry on Relative Robustness of In-Painting Networks: An Empirical Study
• Title（参考訳）: In-Painting Networkの相対ロバスト性に及ぼすホール形状の影響:実証的研究
• Authors: Masood S. Mortazavi and Ning Yan
• Abstract要約: インペイントネットワークは、既存のピクセルを使用して、画像の一部に置かれた「穴」を埋める適切なピクセルを生成する。 トンネル形状分布の変動に対する印加型ニューラルネットワークのロバスト性について検討する。
• 参考スコア（独自算出の注目度）: 12.031113181911628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In-painting networks use existing pixels to generate appropriate pixels to fill "holes" placed on parts of an image. A 2-D in-painting network's input usually consists of (1) a three-channel 2-D image, and (2) an additional channel for the "holes" to be in-painted in that image. In this paper, we study the robustness of a given in-painting neural network against variations in hole geometry distributions. We observe that the robustness of an in-painting network is dependent on the probability distribution function (PDF) of the hole geometry presented to it during its training even if the underlying image dataset used (in training and testing) does not alter. We develop an experimental methodology for testing and evaluating relative robustness of in-painting networks against four different kinds of hole geometry PDFs. We examine a number of hypothesis regarding (1) the natural bias of in-painting networks to the hole distribution used for their training, (2) the underlying dataset's ability to differentiate relative robustness as hole distributions vary in a train-test (cross-comparison) grid, and (3) the impact of the directional distribution of edges in the holes and in the image dataset. We present results for L1, PSNR and SSIM quality metrics and develop a specific measure of relative in-painting robustness to be used in cross-comparison grids based on these quality metrics. (One can incorporate other quality metrics in this relative measure.) The empirical work reported here is an initial step in a broader and deeper investigation of "filling the blank" neural networks' sensitivity, robustness and regularization with respect to hole "geometry" PDFs, and it suggests further research in this domain.
• Abstract（参考訳）: インペイントネットワークは、既存のピクセルを使用して、画像の一部に置かれた「穴」を埋める適切なピクセルを生成する。 2次元インペインティングネットワークの入力は通常、(1)3チャンネルの2次元画像と(2)その画像にインペイントされる「ホール」のための追加チャンネルで構成される。 本稿では,与えられたニューラルネットワークのホール形状分布の変化に対するロバスト性について検討する。 本研究は, 塗装ネットワークのロバスト性は, トレーニング中に提示された孔形状の確率分布関数(PDF)に依存するが, 基礎となる画像データセット(トレーニングやテスト)が変化しない場合でも観察する。 本研究では,4種類のホール形状pdfに対して,インペインティングネットワークの相対的ロバスト性をテストする実験手法を開発した。 筆者らは,(1)塗装中のネットワークが訓練に使用する穴分布に対する自然なバイアス,(2)穴の分布が列車の試験(相互比較)グリッドで変化するにつれて比較的頑健さを識別する能力,(3)穴や画像データセットにおけるエッジの方向分布の影響について,多くの仮説を考察した。 本稿では,L1,PSNR,SSIMの品質測定結果と,これらの品質測定値に基づいて,相互比較格子で使用する相対的塗装ロバスト性の測定値について述べる。 (この相対的な尺度に他の品質指標を組み込むことができる。) ここで報告された経験的研究は、ホールジオメトリーpdfに対するニューラルネットワークの感度、堅牢性、正規化の「空白化」に関する、より広くより深い調査の最初のステップであり、この領域におけるさらなる研究を示唆している。

関連論文リスト

• Cross-domain and Cross-dimension Learning for Image-to-Graph Transformers [50.576354045312115]
  直接画像からグラフへの変換は、単一のモデルにおけるオブジェクトの検出と関係予測を解決するための課題である。 画像-グラフ変換器のクロスドメインおよびクロス次元変換学習を可能にする一連の手法を提案する。 そこで我々は,2次元の衛星画像上でモデルを事前学習し,それを2次元および3次元の異なるターゲット領域に適用する。
  論文  参考訳（メタデータ） (2024-03-11T10:48:56Z)
• Exploring Geometry of Blind Spots in Vision Models [56.47644447201878]
  CNNやトランスフォーマーのような視覚モデルにおける過敏性の現象について検討する。 本稿では,入力空間に対する信頼度の高い領域を反復的に探索するレベルセットトラバースアルゴリズムを提案する。 モデルが高い信頼度を維持するこれらの連結高次元領域の範囲を推定する。
  論文  参考訳（メタデータ） (2023-10-30T18:00:33Z)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• Unsupervised Industrial Anomaly Detection via Pattern Generative and Contrastive Networks [6.393288885927437]
  本稿では,視覚変換器を用いた教師なし異常検出ネットワークを提案する。 階層的なタスク学習と人間の経験を利用して、その解釈可能性を高めます。 従来の最先端手法を超越した99.8%のAUCを実現した。
  論文  参考訳（メタデータ） (2022-07-20T10:09:53Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• A singular Riemannian geometry approach to Deep Neural Networks II. Reconstruction of 1-D equivalence classes [78.120734120667]
  入力空間における出力多様体内の点の事前像を構築する。 我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-17T11:47:45Z)
• A Learning Framework for Diffeomorphic Image Registration based on Quasi-conformal Geometry [1.2891210250935146]
  本稿では,非教師付き学習フレームワークである準コンフォーマル登録ネットワーク(QCRegNet)を提案する。 QCRegNetは推定器ネットワークとベルトラミソルバネットワーク(BSNet)から構成される その結果、登録精度は最先端の手法に匹敵し、微分同相性はかなり保証されていることがわかった。
  論文  参考訳（メタデータ） (2021-10-20T14:23:24Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)
• A Two-Stream Symmetric Network with Bidirectional Ensemble for Aerial Image Matching [24.089374888914143]
  本研究では,2ストリームの深層ネットワークを用いて異なる環境下で得られた2つの空中画像を正確にマッチングする手法を提案する。 ネットワークは、対象画像を内部的に増強することにより、3つの入力画像で2ストリームを考慮し、トレーニングにおける追加の強化ペアを反映する。
  論文  参考訳（メタデータ） (2020-02-04T14:38:18Z)

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。