論文の概要: HyNet: Learning Local Descriptor with Hybrid Similarity Measure and Triplet Loss

• arxiv url: http://arxiv.org/abs/2006.10202v3
• Date: Mon, 9 Nov 2020 16:25:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 21:12:46.351546
• Title: HyNet: Learning Local Descriptor with Hybrid Similarity Measure and Triplet Loss
• Title（参考訳）: HyNet: ハイブリッド類似度測定とトリプルト損失によるローカル記述子学習
• Authors: Yurun Tian, Axel Barroso-Laguna, Tony Ng, Vassileios Balntas, Krystian Mikolajczyk
• Abstract要約: 本研究は,L2正規化がトレーニング中のバックプロパゲート記述子勾配にどのように影響するかを検討する。 我々はHyNetを提案する。HyNetは新しいローカル記述子で、マッチングの最先端結果をもたらす。
• 参考スコア（独自算出の注目度）: 30.44887242295643
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent works show that local descriptor learning benefits from the use of L2 normalisation, however, an in-depth analysis of this effect lacks in the literature. In this paper, we investigate how L2 normalisation affects the back-propagated descriptor gradients during training. Based on our observations, we propose HyNet, a new local descriptor that leads to state-of-the-art results in matching. HyNet introduces a hybrid similarity measure for triplet margin loss, a regularisation term constraining the descriptor norm, and a new network architecture that performs L2 normalisation of all intermediate feature maps and the output descriptors. HyNet surpasses previous methods by a significant margin on standard benchmarks that include patch matching, verification, and retrieval, as well as outperforming full end-to-end methods on 3D reconstruction tasks.
• Abstract（参考訳）: 近年の研究では、L2正規化による局所記述子学習の利点が示されているが、この効果の詳細な分析は文献に欠けている。 本稿では,l2正規化がトレーニング中のバックプロパゲーションディスクリプタ勾配に与える影響について検討する。 そこで我々は,HyNetを提案する。HyNetは局所的な記述子で,マッチングの最先端結果をもたらす。 hynetは、三重項マージン損失のためのハイブリッド類似性尺度、ディスクリプタノルムを制限する正規化項、およびすべての中間特徴マップと出力ディスクリプタのl2正規化を実行する新しいネットワークアーキテクチャを導入する。 HyNetは、パッチマッチング、検証、検索、そして3D再構成タスクにおける完全なエンドツーエンドメソッドよりも優れたパフォーマンスを含む標準ベンチマークにおいて、従来の手法をはるかに上回っている。

関連論文リスト

• SPVSoAP3D: A Second-order Average Pooling Approach to enhance 3D Place Recognition in Horticultural Environments [0.0]
  ボクセルに基づく特徴抽出ネットワークと2次平均プール演算子に基づく集約手法を組み合わせた新しいモデリング手法であるSPVSoAP3Dを紹介する。 園芸環境から得られた2つの新しいシーケンスを導入し,既存のHORTO-3DLMデータセットを拡張した。 OverlapTransformer, PointNetVLAD, LOGG3D-Netなど, 最先端(SOTA)モデルに対するSPVSoAP3Dの性能評価を行った。
  論文  参考訳（メタデータ） (2024-10-22T13:37:55Z)
• ThinResNet: A New Baseline for Structured Convolutional Networks Pruning [1.90298817989995]
  プルーニング(Pruning)は、ニューラルネットワークのパラメータ数を減らして効率を向上させる圧縮手法である。 本研究では,最先端のトレーニング手法と自明なモデルスケーリングを併用したネットワークに対して,最近のプルーニングの成果が如何に保たれているかを検証する。
  論文  参考訳（メタデータ） (2023-09-22T13:28:18Z)
• Tackling Long-Tailed Category Distribution Under Domain Shifts [50.21255304847395]
  既存のアプローチでは、両方の問題が存在するシナリオに対処できません。 本研究では,分散校正型分類損失,視覚意味マッピング,セマンティック類似性誘導拡張の3つの新しい機能ブロックを設計した。 AWA2-LTSとImageNet-LTSという2つの新しいデータセットが提案された。
  論文  参考訳（メタデータ） (2022-07-20T19:07:46Z)
• Consistency-Regularized Region-Growing Network for Semantic Segmentation of Urban Scenes with Point-Level Annotations [17.13291434132985]
  アノテーションの負担を軽減するために,整合性規則化領域成長ネットワーク(CRGNet)を提案する。 CRGNetは、アノテート領域を元のスパースポイントから拡張するために、信頼度の高いラベル付き画素を反復的に選択する。 このような単純な正規化戦略は、領域の成長するメカニズムの品質を制御するのに非常に有用である。
  論文  参考訳（メタデータ） (2022-02-08T09:27:01Z)
• Segmenting 3D Hybrid Scenes via Zero-Shot Learning [13.161136148641813]
  この研究は、ゼロショット学習の枠組みの下で、3Dハイブリッドシーンのポイントクラウドセマンティックセマンティックセマンティクスの問題に取り組むことを目的としている。 本稿では、PFNetと呼ばれる、オブジェクトの様々なクラスに対するポイント特徴を、見えていないクラスと見えないクラスの両方のセマンティック特徴を利用して合成するネットワークを提案する。 提案したPFNet は点特徴を合成するために GAN アーキテクチャを用いており、新しい意味正規化器を適用することにより、目に見えるクラスと目に見えないクラスの特徴のセマンティックな関係が統合される。 本研究では,S3DISデータセットとScanNetデータセットを6つの異なるデータ分割で再編成し,アルゴリズム評価のための2つのベンチマークを提案する。
  論文  参考訳（メタデータ） (2021-07-01T13:21:49Z)
• HPNet: Deep Primitive Segmentation Using Hybrid Representations [51.56523135057311]
  HPNetは、ポイントクラウドとして表現される3D形状をプリミティブパッチにセグメント化するための、新しいディープラーニングアプローチである。 単一の特徴表現を利用するのとは異なり、HPNetハイブリッド表現は1つの学習されたセマンティック記述子、予測パラメータから派生した2つのスペクトル記述子、および鋭いエッジを符号化する隣接行列を組み合わせる。
  論文  参考訳（メタデータ） (2021-05-22T02:12:46Z)
• Neural Pruning via Growing Regularization [82.9322109208353]
  プルーニングの2つの中心的な問題:プルーニングのスケジュールと重み付けの重要度だ。 具体的には, ペナルティ要因が増大するL2正規化変種を提案し, 精度が著しく向上することを示した。 提案アルゴリズムは,構造化プルーニングと非構造化プルーニングの両方において,大規模データセットとネットワークの実装が容易かつスケーラブルである。
  論文  参考訳（メタデータ） (2020-12-16T20:16:28Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)
• Patch-level Neighborhood Interpolation: A General and Effective Graph-based Regularization Strategy [77.34280933613226]
  我々は、ネットワークの計算において非局所的な表現を行うtextbfPatch-level Neighborhood Interpolation(Pani)と呼ばれる一般的な正規化器を提案する。 提案手法は,異なる層にパッチレベルグラフを明示的に構築し,その近傍のパッチ特徴を線形に補間し,汎用的で効果的な正規化戦略として機能する。
  論文  参考訳（メタデータ） (2019-11-21T06:31:59Z)

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。