論文の概要: TCDesc: Learning Topology Consistent Descriptors

• arxiv url: http://arxiv.org/abs/2006.03254v1
• Date: Fri, 5 Jun 2020 06:46:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 04:03:38.320210
• Title: TCDesc: Learning Topology Consistent Descriptors
• Title（参考訳）: tcdesc: 学習トポロジー一貫性記述子
• Authors: Honghu Pan, Fanyang Meng, Zhenyu He, Yongsheng Liang, Wei Liu
• Abstract要約: Triplet Losは画像パッチからローカル記述子を学習するために広く利用されている。 我々はユークリッド距離以外の位相測度を提案し、一貫した記述子を学習する。 本手法は最先端の結果よりも優れた性能を示し,三重項損失の性能を効果的に向上させる。
• 参考スコア（独自算出の注目度）: 14.925363493342727
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Triplet loss is widely used for learning local descriptors from image patch. However, triplet loss only minimizes the Euclidean distance between matching descriptors and maximizes that between the non-matching descriptors, which neglects the topology similarity between two descriptor sets. In this paper, we propose topology measure besides Euclidean distance to learn topology consistent descriptors by considering kNN descriptors of positive sample. First we establish a novel topology vector for each descriptor followed by Locally Linear Embedding (LLE) to indicate the topological relation among the descriptor and its kNN descriptors. Then we define topology distance between descriptors as the difference of their topology vectors. Last we employ the dynamic weighting strategy to fuse Euclidean distance and topology distance of matching descriptors and take the fusion result as the positive sample distance in the triplet loss. Experimental results on several benchmarks show that our method performs better than state-of-the-arts results and effectively improves the performance of triplet loss.
• Abstract（参考訳）: Triplet Losは画像パッチからローカル記述子を学習するために広く利用されている。 しかし、三重項損失は一致するディスクリプタ間のユークリッド距離を最小化し、2つのディスクリプタセット間のトポロジー類似性を無視する非マッチングディスクリプタ間の距離を最大化する。 本稿では, ユークリッド距離以外のトポロジ尺度を提案し, 正サンプルのkNN記述子を考慮したトポロジ一貫性記述子を学習する。 まず,各記述子に対する新しいトポロジベクトルを構築し,次に局所線形埋め込み(LLE)を用いて記述子とそのkNN記述子間のトポロジ的関係を示す。 次に、記述子間の位相距離を位相ベクトルの差として定義する。 最後に, 動的重み付け戦略を用いて, 一致するディスクリプタのユークリッド距離とトポロジー距離を融合し, 融合結果を三重項損失の正のサンプル距離とする。 いくつかのベンチマークにおける実験結果から,本手法は最新結果よりも優れた性能を示し,トリプルトロスの性能を効果的に向上した。

関連論文リスト

• Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
  位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。 ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。 トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:20:14Z)
• FUSELOC: Fusing Global and Local Descriptors to Disambiguate 2D-3D Matching in Visual Localization [57.59857784298536]
  直接2D-3Dマッチングアルゴリズムでは、メモリが大幅に削減されるが、より大きくあいまいな検索空間のために精度が低下する。 本研究では,2次元3次元探索フレームワーク内の重み付き平均演算子を用いて局所的およびグローバルな記述子を融合させることにより,この曖昧さに対処する。 ローカルのみのシステムの精度を常に改善し、メモリ要求を半減させながら階層的な手法に近い性能を達成する。
  論文  参考訳（メタデータ） (2024-08-21T23:42:16Z)
• Neural Vector Fields: Implicit Representation by Explicit Learning [63.337294707047036]
  ニューラルベクトル場 (Neural Vector Fields, NVF) という新しい3次元表現法を提案する。 メッシュを直接操作するための明示的な学習プロセスを採用するだけでなく、符号なし距離関数(UDF)の暗黙的な表現も採用している。 提案手法は,まず表面への変位クエリを予測し,テキスト再構成として形状をモデル化する。
  論文  参考訳（メタデータ） (2023-03-08T02:36:09Z)
• Learning Topology-Preserving Data Representations [9.710409273484464]
  位相保存データ表現(次元減少)を学習する手法を提案する。 この手法の中核は、元の高次元データと潜時空間における低次元表現との間の表現トポロジディバージェンス(RTD)の最小化である。 提案手法は, 線形相関, 三重項距離ランキング精度, 永続バーコード間のワッサーシュタイン距離によって測定された, 最先端の競合相手よりも, データ多様体のグローバル構造とトポロジーをよりよく保存する。
  論文  参考訳（メタデータ） (2023-01-31T22:55:04Z)
• On the Minimal Adversarial Perturbation for Deep Neural Networks with Provable Estimation Error [65.51757376525798]
  敵の摂動の存在は、証明可能な堅牢性に関する興味深い研究ラインを開いた。 検証可能な結果は、コミットしたエラーを見積り、バウンドするものではない。 本稿では,最小対向摂動を求めるための2つの軽量戦略を提案する。 その結果, 提案手法は, 分類に近い試料の理論的距離とロバスト性を近似し, 敵攻撃に対する確実な保証が得られた。
  論文  参考訳（メタデータ） (2022-01-04T16:40:03Z)
• Manifold Regularized Dynamic Network Pruning [102.24146031250034]
  本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。 提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-10T03:59:03Z)
• TCDesc: Learning Topology Consistent Descriptors for Image Matching [10.541151446468515]
  近傍の一貫性や局所的な一貫性の制約は、堅牢な画像マッチングに広く使用されている。 本稿では,中心記述子とkNN記述子との位相的関係を表す線形結合重みを提案し,中心記述子とkNN記述子との差を最小限に抑える。 適応重み付け手法を用いてトポロジー距離とユークリッド距離を最小化し,三重項損失における2つの距離の重みや注意を自動的に調整する。
  論文  参考訳（メタデータ） (2020-09-13T03:32:37Z)
• Learning to hash with semantic similarity metrics and empirical KL divergence [3.04585143845864]
  ハッシュの学習は、大規模データベースからの近接探索を正確に、そして近似的に行うための効率的なパラダイムである。 バイナリハッシュコードは典型的には、CNNから出力特徴を丸め、イメージから抽出される。 i) 学習特徴の相対的なハッシュコード距離を目標値と一致するように促進する新規な損失関数により, (i) を克服する。 我々は、ネットワーク出力とバイナリターゲット分布のKL分散の微分可能な推定を通じて、(ii)に対処し、その結果、特徴がバイナリに丸められたときの情報損失を最小限に抑える。
  論文  参考訳（メタデータ） (2020-05-11T08:20:26Z)
• Learning Descriptors Invariance Through Equivalence Relations Within Manifold: A New Approach to Expression Invariant 3D Face Recognition [0.0]
  本稿では,キーポイント記述子の有用性と欠点の両立にユニークなアプローチを提案する。 記述子のバリエーションは、トレーニング例から学習される。 トレーニングデータのラベルに基づいて、記述子間の等価関係を確立する。
  論文  参考訳（メタデータ） (2020-05-11T01:23:39Z)
• clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation [57.20783326661043]
  中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。 理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。 我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
  論文  参考訳（メタデータ） (2020-03-16T16:27:49Z)
• Decentralized gradient methods: does topology matter? [23.1803761184887]
  本稿では,各作業員が最適パラメータベクトルの局所的推定値を維持し,その近傍から得られた推定値を平均化し,その局所的データセットに基づいて補正を行うことにより反復的に更新する方法について述べる。 理論的には、労働者のコミュニケーショントポロジが収束に必要なエポックの数に強い影響を与えることが示唆されているが、以前の実験では反対の結論を示している。 この論文は、この明らかな矛盾に光を当て、通信遅延がなくても、疎らかなトポロジがより早く収束することを示す。
  論文  参考訳（メタデータ） (2020-02-28T12:59:25Z)

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。