論文の概要: When Deep Learning Meets Data Alignment: A Review on Deep Registration Networks (DRNs)

• arxiv url: http://arxiv.org/abs/2003.03167v2
• Date: Wed, 28 Oct 2020 12:02:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 01:10:52.931383
• Title: When Deep Learning Meets Data Alignment: A Review on Deep Registration Networks (DRNs)
• Title（参考訳）: Deep Learningがデータアライメントに出会ったとき - Deep Registration Networks(DRNs)のレビュー
• Authors: Victor Villena-Martinez, Sergiu Oprea, Marcelo Saval-Calvo, Jorge Azorin-Lopez, Andres Fuster-Guillo, Robert B. Fisher
• Abstract要約: 機械学習の最近の進歩は、コンピュータビジョンの分野における転換点となるかもしれない。 機械学習の最近の進歩は、コンピュータビジョンの分野における転換点となるかもしれない。
• 参考スコア（独自算出の注目度）: 4.616914111718527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Registration is the process that computes the transformation that aligns sets of data. Commonly, a registration process can be divided into four main steps: target selection, feature extraction, feature matching, and transform computation for the alignment. The accuracy of the result depends on multiple factors, the most significant are the quantity of input data, the presence of noise, outliers and occlusions, the quality of the extracted features, real-time requirements and the type of transformation, especially those ones defined by multiple parameters, like non-rigid deformations. Recent advancements in machine learning could be a turning point in these issues, particularly with the development of deep learning (DL) techniques, which are helping to improve multiple computer vision problems through an abstract understanding of the input data. In this paper, a review of deep learning-based registration methods is presented. We classify the different papers proposing a framework extracted from the traditional registration pipeline to analyse the new learning-based proposal strengths. Deep Registration Networks (DRNs) try to solve the alignment task either replacing part of the traditional pipeline with a network or fully solving the registration problem. The main conclusions extracted are, on the one hand, 1) learning-based registration techniques cannot always be clearly classified in the traditional pipeline. 2) These approaches allow more complex inputs like conceptual models as well as the traditional 3D datasets. 3) In spite of the generality of learning, the current proposals are still ad hoc solutions. Finally, 4) this is a young topic that still requires a large effort to reach general solutions able to cope with the problems that affect traditional approaches.
• Abstract（参考訳）: 登録は、データのセットを整列する変換を計算するプロセスである。 一般的に、登録プロセスは、ターゲットの選択、特徴抽出、特徴マッチング、アライメントのための変換計算の4つの主要なステップに分けられる。 結果の正確性は,入力データの量,ノイズの存在,異常や咬合の有無,抽出された特徴の質,リアルタイム要件,変換のタイプ,特に非剛性変形などの複数のパラメータによって定義されるものなど,複数の要因に依存する。 機械学習の最近の進歩は、特に、入力データの抽象的な理解を通じて複数のコンピュータビジョンの問題を改善するのに役立つディープラーニング(dl)技術の開発において、これらの問題の転換点となり得る。 本稿では,深層学習に基づく登録手法について概説する。 従来の登録パイプラインから抽出したフレームワークを提案する異なる論文を分類し,新しい学習に基づく提案の強みを分析した。 Deep Registration Networks (DRN)は、従来のパイプラインの一部をネットワークに置き換えるか、登録問題を完全に解決するか、アライメントタスクの解決を試みる。 抽出された主な結論は、その一方である。 1) 学習に基づく登録技術は,必ずしも従来のパイプラインに明確に分類することはできない。 2)これらのアプローチは、従来の3dデータセットと同様に、概念モデルのようなより複雑な入力を可能にする。 3)学習の一般化にもかかわらず,現在の提案は相変わらずアドホックな解決法である。 最後に 4)これはまだ、従来のアプローチに影響を与える問題に対処できる一般的なソリューションに到達するために、多大な努力を必要とする若いトピックです。

関連論文リスト

• Global Point Cloud Registration Network for Large Transformations [46.7301374772952]
  ローカルトランスフォーメーションの優れたパフォーマンスを維持しつつ,大規模なトランスフォーメーションが発生するケースに直面するアーキテクチャであるReLaToを提案する。 本稿では,ソフトマックスプーリング層を用いて2つの点集合間の相互一致関係を抽出し,最も確実な一致を抽出する。 そして、得られた一致と潜伏特徴の両方に目標誘導復調ステップを適用し、最終的な微妙な登録を推定する。
  論文  参考訳（メタデータ） (2024-03-26T18:52:48Z)
• Deep Internal Learning: Deep Learning from a Single Input [88.59966585422914]
  多くの場合、手元にある入力からネットワークをトレーニングする価値がある。 これは、トレーニングデータが少なく、多様性が大きい多くの信号および画像処理問題に特に関係している。 本研究の目的は,この2つの重要な方向に向けて,過去数年間に提案されてきた深層学習技術について報告することである。
  論文  参考訳（メタデータ） (2023-12-12T16:48:53Z)
• Incrementally-Computable Neural Networks: Efficient Inference for Dynamic Inputs [75.40636935415601]
  ディープラーニングは、センサーデータやユーザ入力などの動的入力を効率的に処理するという課題に直面していることが多い。 インクリメンタルな計算アプローチを採用し、入力の変化に応じて計算を再利用する。 本稿では,この手法をトランスフォーマーアーキテクチャに適用し,修正入力の分数に比例した複雑性を持つ効率的なインクリメンタル推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-07-27T16:30:27Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• PRANet: Point Cloud Registration with an Artificial Agent [4.265773997354609]
  深層教師あり学習を用いてエンドツーエンドで訓練された人工エージェントを提案する。 従来の強化学習技術とは対照的に、観察はサンプルとして行われるため、経験的な再生バッファは不要である。 ModelNet40の実験では、クリーンでノイズの多い、部分的に見えるデータセットの場合、結果が最先端の最先端に匹敵する、あるいは優れていることが示されている。
  論文  参考訳（メタデータ） (2021-09-23T12:52:10Z)
• Locally Aware Piecewise Transformation Fields for 3D Human Mesh Registration [67.69257782645789]
  本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。 パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
  論文  参考訳（メタデータ） (2021-04-16T15:16:09Z)
• Recurrent Multi-view Alignment Network for Unsupervised Surface Registration [79.72086524370819]
  非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。 我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。 また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
  論文  参考訳（メタデータ） (2020-11-24T14:22:42Z)
• A Review of Meta-level Learning in the Context of Multi-component, Multi-level Evolving Prediction Systems [6.810856082577402]
  データから有用なパターンを抽出する自動的あるいは半自動的な方法の調査の必要性が高まっている。 与えられた問題に対する学習方法の最も適切なマッピングを見つけるには、深い専門家の知識と広範な計算資源が必要である。 データセットに最適な学習アルゴリズムをアドバイスできるインテリジェントなレコメンデーションエンジンが必要だ。
  論文  参考訳（メタデータ） (2020-07-17T14:14:37Z)

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。