論文の概要: On Box-Cox Transformation for Image Normality and Pattern Classification
- arxiv url: http://arxiv.org/abs/2004.07210v3
- Date: Thu, 1 Oct 2020 13:13:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 03:22:46.627625
- Title: On Box-Cox Transformation for Image Normality and Pattern Classification
- Title（参考訳）: 画像正規性とパターン分類のためのボックスコックス変換について
- Authors: Abbas Cheddad
- Abstract要約: 本稿では,2次元データ変換のための前処理ステップとして,そのようなツールの有用性について論じる。
我々は、この軽量なBox-Cox変換の効果を、最先端の低光画像強調技術と比較した。
また,画像の視覚的外観を汎用的に改善するために,複数のテストベッドデータセットによるアプローチの有効性を実証した。
- 参考スコア（独自算出の注目度）: 0.6548580592686074
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A unique member of the power transformation family is known as the Box-Cox
transformation. The latter can be seen as a mathematical operation that leads
to finding the optimum lambda ({\lambda}) value that maximizes the
log-likelihood function to transform a data to a normal distribution and to
reduce heteroscedasticity. In data analytics, a normality assumption underlies
a variety of statistical test models. This technique, however, is best known in
statistical analysis to handle one-dimensional data. Herein, this paper
revolves around the utility of such a tool as a pre-processing step to
transform two-dimensional data, namely, digital images and to study its effect.
Moreover, to reduce time complexity, it suffices to estimate the parameter
lambda in real-time for large two-dimensional matrices by merely considering
their probability density function as a statistical inference of the underlying
data distribution. We compare the effect of this light-weight Box-Cox
transformation with well-established state-of-the-art low light image
enhancement techniques. We also demonstrate the effectiveness of our approach
through several test-bed data sets for generic improvement of visual appearance
of images and for ameliorating the performance of a colour pattern
classification algorithm as an example application. Results with and without
the proposed approach, are compared using the AlexNet (transfer deep learning)
pretrained model. To the best of our knowledge, this is the first time that the
Box-Cox transformation is extended to digital images by exploiting histogram
transformation.
- Abstract（参考訳）: パワー変換ファミリーのユニークなメンバーはbox-cox変換として知られている。
後者は、log-likelihood関数を最大化する最適なラムダ({\lambda})値を見つけ、データを正規分布に変換し、ヘテロシステキティを減少させる数学的操作と見なすことができる。
データ分析では、正規性仮定は様々な統計テストモデルの基礎となる。
しかし、この手法は1次元データを扱う統計解析において最もよく知られている。
本稿では,2次元データ,すなわちデジタルイメージを変換し,その効果を研究するための前処理ステップとして,そのようなツールの有用性について論じる。
さらに、時間複雑性を低減するために、確率密度関数を基礎となるデータ分布の統計的推論として考慮するだけで、大きな2次元行列に対してパラメータラムダをリアルタイムに推定することができる。
本研究では,この軽量ボックスコックス変換の効果を,確立された低光度画像強調技術と比較する。
また,画像の視覚的外観の汎用的な改善と,色パターン分類アルゴリズムの性能向上のために,いくつかのテストベッドデータセットによるアプローチの有効性を実証した。
提案手法の有無に関わらず,alexnet (transfer deep learning) 事前学習モデルを用いて比較した。
私たちの知る限りでは、ヒストグラム変換を利用してボックスコックス変換をデジタル画像に拡張するのはこれが初めてです。
関連論文リスト
- Variable-size Symmetry-based Graph Fourier Transforms for image compression [65.7352685872625]
可変サイズのグラフフーリエ変換を符号化フレームワークに導入する。
提案アルゴリズムは,ノード間の特定の対称接続を追加することにより,グリッド上の対称グラフを生成する。
実験により、SBGFTは、明示的な多重変換選択に統合された一次変換よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-11-24T13:00:44Z) - Learning on Transformers is Provable Low-Rank and Sparse: A One-layer Analysis [63.66763657191476]
低ランク計算としての効率的な数値学習と推論アルゴリズムはトランスフォーマーに基づく適応学習に優れた性能を持つことを示す。
我々は、等級モデルが適応性を改善しながら一般化にどのように影響するかを分析する。
適切なマグニチュードベースのテストは,テストパフォーマンスに多少依存している,と結論付けています。
論文 参考訳（メタデータ） (2024-06-24T23:00:58Z) - Linear Anchored Gaussian Mixture Model for Location and Width Computations of Objects in Thick Line Shape [1.7205106391379021]
3次元画像グレーレベル表現は、統計分布の有限混合モデルであると考えられている。
入力データとして元の画像を用いた期待最大化アルゴリズム(Algo1)を用いてモデルパラメータを推定する。
修正EMアルゴリズム(Algo2)について詳述する。
論文 参考訳（メタデータ） (2024-04-03T20:05:00Z) - NaturalInversion: Data-Free Image Synthesis Improving Real-World
Consistency [1.1470070927586016]
実データを用いずに元のデータ分布とよく一致した画像を合成する新しいモデル逆変換法であるNaturalInversionを紹介する。
我々の画像は、視覚化と追加分析による以前の作業よりも、元のデータ分布に一貫性があることが示される。
論文 参考訳（メタデータ） (2023-06-29T03:43:29Z) - T-ADAF: Adaptive Data Augmentation Framework for Image Classification
Network based on Tensor T-product Operator [0.0]
本稿ではテンソルT-Product Operatorに基づくAdaptive Data Augmentation Frameworkを提案する。
1つの画像データを3倍にし、これら3つの画像から結果を得る。
数値実験により、我々のデータ拡張フレームワークは、元のニューラルネットワークモデルの性能を2%向上させることができることが示された。
論文 参考訳（メタデータ） (2023-06-07T08:30:44Z) - Optimizing transformations for contrastive learning in a differentiable
framework [4.828899860513713]
本稿では,微分可能変換ネットワークを用いたコントラスト学習のための最適変換手法を提案する。
本手法は,教師の精度と収束速度の両方において,低アノテートデータ方式の性能を向上させる。
34000枚の脳磁気共鳴画像と11200枚の胸部X線画像を用いて実験を行った。
論文 参考訳（メタデータ） (2022-07-27T08:47:57Z) - GradViT: Gradient Inversion of Vision Transformers [83.54779732309653]
我々は,視力変換器(ViT)の勾配に基づく逆攻撃に対する脆弱性を実証する。
自然に見える画像にランダムノイズを最適化するGradViTという手法を提案する。
元の(隠された)データに対する前例のない高い忠実さと近接性を観察する。
論文 参考訳（メタデータ） (2022-03-22T17:06:07Z) - Hybrid Model-based / Data-driven Graph Transform for Image Coding [54.31406300524195]
予測内残差ブロックを符号化するハイブリッドモデルベース/データ駆動方式を提案する。
変換行列の最初の$K$固有ベクトルは、安定性のための非対称離散正弦変換(ADST)のような統計モデルから導かれる。
WebPをベースライン画像として使用することにより、我々のハイブリッドグラフ変換は、デフォルトの離散コサイン変換(DCT)よりもエネルギーの圧縮が良く、KLTよりも安定性がよいことを示す。
論文 参考訳（メタデータ） (2022-03-02T15:36:44Z) - A Model for Multi-View Residual Covariances based on Perspective
Deformation [88.21738020902411]
マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。
我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
論文 参考訳（メタデータ） (2022-02-01T21:21:56Z) - FeatMatch: Feature-Based Augmentation for Semi-Supervised Learning [64.32306537419498]
本稿では,複雑な変換を多様に生成する特徴量に基づく改良・拡張手法を提案する。
これらの変換は、クラスタリングを通じて抽出したクラス内およびクラス間の両方の情報も利用します。
提案手法は,大規模データセットにスケールアップしながら,より小さなデータセットに対して,現在の最先端技術に匹敵するものであることを実証する。
論文 参考訳（メタデータ） (2020-07-16T17:55:31Z)
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。