Fugu-MT 論文翻訳(概要): 2D Image Features Detector And Descriptor Selection Expert System

論文の概要: 2D Image Features Detector And Descriptor Selection Expert System

arxiv url: http://arxiv.org/abs/2006.02933v1
Date: Thu, 4 Jun 2020 15:18:18 GMT
ステータス: 処理完了
システム内更新日: 2022-11-25 12:43:26.053317
Title: 2D Image Features Detector And Descriptor Selection Expert System
Title（参考訳）: 2次元画像特徴検出と記述子選択エキスパートシステム
Authors: Ibon Merino, Jon Azpiazu, Anthony Remazeilles, Basilio Sierra
Abstract要約: 本稿では,階層的分類に基づく産業部品の物体認識に関する特定のケーススタディの解決法を提案する。本手法は,ORB,SIFT,FREAKなどの1つの手法よりもかなり遅いにもかかわらず,性能がよいことを示す。
参考スコア（独自算出の注目度）: 0.1682277069379282
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Detection and description of keypoints from an image is a well-studied problem in Computer Vision. Some methods like SIFT, SURF or ORB are computationally really efficient. This paper proposes a solution for a particular case study on object recognition of industrial parts based on hierarchical classification. Reducing the number of instances leads to better performance, indeed, that is what the use of the hierarchical classification is looking for. We demonstrate that this method performs better than using just one method like ORB, SIFT or FREAK, despite being fairly slower.
Abstract（参考訳）: 画像からのキーポイントの検出と記述はコンピュータビジョンにおいてよく研究されている問題である。 SIFT、SURF、ORBといったいくつかの手法は計算的に非常に効率的である。本稿では,階層的分類に基づく産業部品の物体認識に関する特別ケーススタディの解法を提案する。インスタンス数を減らすことでパフォーマンスが向上します。この手法は,orb,sift,freakなどの1つのメソッドを使用するよりも,かなり遅くても優れた性能を示す。

関連論文リスト

PDiscoNet: Semantically consistent part discovery for fine-grained recognition [62.12602920807109]
画像レベルのクラスラベルのみを用いて,対象部品の発見を推奨する先行情報とともにPDiscoNetを提案する。 CUB,CelebA,PartImageNet で得られた結果から,提案手法は従来手法よりもかなり優れた部分発見性能が得られることがわかった。
論文参考訳（メタデータ） (2023-09-06T17:19:29Z)
Unified Functional Hashing in Automatic Machine Learning [58.77232199682271]
高速に統一された関数型ハッシュを用いることで,大きな効率向上が得られることを示す。私たちのハッシュは"機能的"であり、表現やコードが異なる場合でも同等の候補を識別します。ニューラルアーキテクチャ検索やアルゴリズム発見など、複数のAutoMLドメインで劇的な改善がなされている。
論文参考訳（メタデータ） (2023-02-10T18:50:37Z)
Disambiguation of One-Shot Visual Classification Tasks: A Simplex-Based Approach [8.436437583394998]
本稿では,複数の物体の存在を検出するための戦略を提案する。この戦略は、高次元空間における単純体の角を識別することに基づいている。提案手法は,極端設定における精度をわずかながら統計的に向上させる能力を示す。
論文参考訳（メタデータ） (2023-01-16T11:37:05Z)
Learning to Detect Good Keypoints to Match Non-Rigid Objects in RGB Images [7.428474910083337]
本稿では,非剛性画像対応タスクの正マッチ数を最大化するために,新しい学習キーポイント検出手法を提案する。我々のトレーニングフレームワークは、アノテートされた画像対と予め定義された記述子抽出器をマッチングして得られる真の対応を利用して、畳み込みニューラルネットワーク(CNN)を訓練する。実験の結果,本手法は平均整合精度で20時までに非剛体物体の実像に対して,最先端のキーポイント検出器よりも優れていた。
論文参考訳（メタデータ） (2022-12-13T11:59:09Z)
Learning-Based Dimensionality Reduction for Computing Compact and Effective Local Feature Descriptors [101.62384271200169]
特徴の形でのイメージパッチの独特な表現は多くのコンピュータビジョンとロボティクスのタスクの重要な構成要素である。マルチ層パーセプトロン(MLP)を用いて,低次元ながら高品質な記述子を抽出する。視覚的ローカライゼーション、パッチ検証、画像マッチング、検索など、さまざまなアプリケーションについて検討する。
論文参考訳（メタデータ） (2022-09-27T17:59:04Z)
Efficiency Comparison of AI classification algorithms for Image Detection and Recognition in Real-time [0.0]
顔の検出と識別は、人工知能システムにおいて最も困難で頻繁に使用されるタスクである。本研究は,システムにおける顔検出および認識アルゴリズムの結果を提示し,比較することを目的とする。公共スペース、ショッピングモール、ATMブースなど、CCTVのある場所でも使用できる。
論文参考訳（メタデータ） (2022-06-12T21:31:40Z)
QuickBrowser: A Unified Model to Detect and Read Simple Object in Real-time [3.098115480186737]
本研究では,多桁認識を1段階物体検出モデルに組み込むことにより,この検出と読み取りの問題を軽量に解決することを目的とする。アーキテクチャ、損失関数、データ拡張、トレーニングにおけるバックボーンと修正の選択は、このメソッドを堅牢で効率的かつ高速にします。
論文参考訳（メタデータ） (2021-02-15T05:47:40Z)
Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
オープンセット認識の問題点を考察する。新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
論文参考訳（メタデータ） (2020-05-27T23:49:26Z)
SCAN: Learning to Classify Images without Labels [73.69513783788622]
機能学習とクラスタリングを分離する2段階のアプローチを提唱する。表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
論文参考訳（メタデータ） (2020-05-25T18:12:33Z)
Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
論文参考訳（メタデータ） (2020-03-03T15:20:57Z)

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。