論文の概要: A model of figure ground organization incorporating local and global cues

• arxiv url: http://arxiv.org/abs/2003.06731v1
• Date: Sun, 15 Mar 2020 01:18:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 08:30:06.588776
• Title: A model of figure ground organization incorporating local and global cues
• Title（参考訳）: 地域的・グローバルな手がかりを取り入れたフィギュアグラウンド組織モデル
• Authors: Sudarshan Ramenahalli
• Abstract要約: ファイバグラウンドオーガナイゼーション(FGO)の生物学的動機付きフィードフォワード計算モデルを提案する。 本研究では,各局所キューを独立に付加し,それぞれが局所キューを持たないモデルに同時に付加する効果について検討する。
• 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: Figure Ground Organization (FGO) -- inferring spatial depth ordering of objects in a visual scene -- involves determining which side of an occlusion boundary is figure (closer to the observer) and which is ground (further away from the observer). A combination of global cues, like convexity, and local cues, like T-junctions are involved in this process. We present a biologically motivated, feed forward computational model of FGO incorporating convexity, surroundedness, parallelism as global cues and Spectral Anisotropy (SA), T-junctions as local cues. While SA is computed in a biologically plausible manner, the inclusion of T-Junctions is biologically motivated. The model consists of three independent feature channels, Color, Intensity and Orientation, but SA and T-Junctions are introduced only in the Orientation channel as these properties are specific to that feature of objects. We study the effect of adding each local cue independently and both of them simultaneously to the model with no local cues. We evaluate model performance based on figure-ground classification accuracy (FGCA) at every border location using the BSDS 300 figure-ground dataset. Each local cue, when added alone, gives statistically significant improvement in the FGCA of the model suggesting its usefulness as an independent FGO cue. The model with both local cues achieves higher FGCA than the models with individual cues, indicating SA and T-Junctions are not mutually contradictory. Compared to the model with no local cues, the feed-forward model with both local cues achieves $\geq 8.78$% improvement in terms of FGCA.
• Abstract（参考訳）: 図形地上組織(FGO) -- 視覚的なシーンにおける物体の空間的な深度順序を推測する - は、閉塞境界のどの側が図形(オブザーバに近づき、どの側がグラウンド(オブザーバから遠ざかる)かを決定する。 凸性のようなグローバルなキューとT接合のような局所的なキューの組み合わせがこのプロセスに関与している。 本稿では, fgo の生物動機的フィードフォワード計算モデルとして, 凸性, 包囲性, 平行性を大域的手がかりとして, スペクトル異方性 (sa) を局所的手がかりとして用いた。 SAは生物学的に妥当な方法で計算されるが、T-ジャンクションの含有は生物学的に動機づけられる。 このモデルは、色、強度、方向の3つの独立した特徴チャネルで構成されるが、これらの特性はオブジェクトの特徴に特有のため、向き付けチャネルにのみ導入される。 それぞれの局所的手がかりを独立に加え,同時に局所的手がかりを持たないモデルに適用する効果について検討した。 我々は、BSDS 300図面データセットを用いて、各境界位置における図形分類精度(FGCA)に基づいてモデル性能を評価する。 各局所キューは単独で追加されると、独立したFGOキューとしての有用性を示すモデルのFGCAを統計的に有意に改善する。 両方の局所的手がかりを持つモデルは個々の手がかりを持つモデルよりも高いFGCAを達成し、SAとT-ジャンクションは相互に矛盾しないことを示す。 局所的手がかりのないモデルと比較して、両方の局所的手がかりを持つフィードフォワードモデルはFGCAの点で$\geq 8.78$%改善される。

関連論文リスト

• SPARTAN: A Sparse Transformer Learning Local Causation [63.29645501232935]
  因果構造は、環境の変化に柔軟に適応する世界モデルにおいて中心的な役割を果たす。 本研究では,SPARse TrANsformer World Model(SPARTAN)を提案する。 オブジェクト指向トークン間の注意パターンに空間規則を適用することで、SPARTANは、将来のオブジェクト状態を正確に予測するスパース局所因果モデルを特定する。
  論文  参考訳（メタデータ） (2024-11-11T11:42:48Z)
• Exploring Generalisability of Self-Distillation with No Labels for SAR-Based Vegetation Prediction [5.057850174013128]
  2つの合成開口レーダデータセット(S1GRD, GSSIC)を3つの地域(中国, コーヌス, ヨーロッパ)で使用したDINO-ViTベースモデルの事前学習を行う。 より小さなラベル付きデータセット上でモデルを微調整し、植生の割合を予測するとともに、モデルの埋め込み空間と、多様な地理的領域をまたいで一般化し、見当たらないデータとの接続を実証的に研究する。
  論文  参考訳（メタデータ） (2023-10-03T13:41:13Z)
• Rethinking Client Drift in Federated Learning: A Logit Perspective [125.35844582366441]
  フェデレートラーニング(FL)は、複数のクライアントが分散した方法で協調的に学習し、プライバシ保護を可能にする。 その結果,局所モデルとグローバルモデルとのロジット差は,モデルが継続的に更新されるにつれて増大することがわかった。 我々はFedCSDと呼ばれる新しいアルゴリズムを提案する。FedCSDは、ローカルモデルとグローバルモデルを調整するためのフェデレーションフレームワークにおけるクラスプロトタイプの類似度蒸留である。
  論文  参考訳（メタデータ） (2023-08-20T04:41:01Z)
• FedSoup: Improving Generalization and Personalization in Federated Learning via Selective Model Interpolation [32.36334319329364]
  クロスサイロフェデレーション学習(FL)は、データセンタに分散したデータセット上での機械学習モデルの開発を可能にする。 近年の研究では、現在のFLアルゴリズムは、分布シフトに直面した場合、局所的な性能とグローバルな性能のトレードオフに直面している。 地域とグローバルのパフォーマンスのトレードオフを最適化する新しいフェデレーションモデルスープ手法を提案する。
  論文  参考訳（メタデータ） (2023-07-20T00:07:29Z)
• Chaos to Order: A Label Propagation Perspective on Source-Free Domain Adaptation [8.27771856472078]
  我々は、ソースフリードメイン適応(SFDA)のための新しいアプローチであるChaos to Order(CtO)を提示する。 CtOは、セマンティックな信頼性を制約し、ターゲットのサブポピュレーション間でラベル情報を伝達する。 実証的な証拠は、CtOが3つの公開ベンチマークで芸術の状態を上回っていることを示している。
  論文  参考訳（メタデータ） (2023-01-20T03:39:35Z)
• Federated and Generalized Person Re-identification through Domain and Feature Hallucinating [88.77196261300699]
  人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。 一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。 提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-05T09:15:13Z)
• Contrastive Neighborhood Alignment [81.65103777329874]
  本稿では,学習特徴のトポロジを維持するための多様体学習手法であるContrastive Neighborhood Alignment(CNA)を提案する。 対象モデルは、対照的な損失を用いて、ソース表現空間の局所構造を模倣することを目的としている。 CNAは3つのシナリオで説明される: 多様体学習、モデルが元のデータの局所的なトポロジーを次元還元された空間で維持する、モデル蒸留、小さな学生モデルがより大きな教師を模倣するために訓練される、レガシーモデル更新、より強力なモデルに置き換えられる、という3つのシナリオである。
  論文  参考訳（メタデータ） (2022-01-06T04:58:31Z)
• Global Aggregation then Local Distribution for Scene Parsing [99.1095068574454]
  提案手法は,エンドツーエンドのトレーニング可能なブロックとしてモジュール化され,既存のセマンティックセグメンテーションネットワークに容易に接続可能であることを示す。 私たちのアプローチでは、Cityscapes、ADE20K、Pascal Context、Camvid、COCO-stuffといった主要なセマンティックセグメンテーションベンチマークに基づいて、新しい最先端の技術を構築できます。
  論文  参考訳（メタデータ） (2021-07-28T03:46:57Z)
• Unsupervised Learning of Global Factors in Deep Generative Models [6.362733059568703]
  非i.i.dに基づく新しい深層生成モデルを提案する。 変分オートエンコーダ。 モデルがドメインアライメントを行い、相関関係を見つけ、異なるデータベース間で補間することを示す。 また、非自明な基礎構造を持つ観測群を区別するグローバル空間の能力についても研究する。
  論文  参考訳（メタデータ） (2020-12-15T11:55:31Z)
• PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image Segmentation [87.50205728818601]
  本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。 我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
  論文  参考訳（メタデータ） (2020-11-25T11:03:11Z)

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。