論文の概要: Online Graph Completion: Multivariate Signal Recovery in Computer Vision
- arxiv url: http://arxiv.org/abs/2008.05060v1
- Date: Wed, 12 Aug 2020 01:34:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 04:27:37.888201
- Title: Online Graph Completion: Multivariate Signal Recovery in Computer Vision
- Title（参考訳）: オンライングラフ補完:コンピュータビジョンにおける多変量信号の回復
- Authors: Won Hwa Kim, Mona Jalal, Seongjae Hwang, Sterling C. Johnson, Vikas
Singh
- Abstract要約: グラフ上で定義された「完了」問題について検討し、追加測定の要求を順次行う必要がある。
グラフのフーリエ領域における最適化モデルを設計し、適応的な部分モジュラー性に基づくアイデアが実際にうまく機能するアルゴリズムをどう提供するかを記述する。
Imgurから収集した大量の画像では、分類が難しい画像について有望な結果が得られます。
- 参考スコア（独自算出の注目度）: 29.89364298411089
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The adoption of "human-in-the-loop" paradigms in computer vision and machine
learning is leading to various applications where the actual data acquisition
(e.g., human supervision) and the underlying inference algorithms are closely
interwined. While classical work in active learning provides effective
solutions when the learning module involves classification and regression
tasks, many practical issues such as partially observed measurements, financial
constraints and even additional distributional or structural aspects of the
data typically fall outside the scope of this treatment. For instance, with
sequential acquisition of partial measurements of data that manifest as a
matrix (or tensor), novel strategies for completion (or collaborative
filtering) of the remaining entries have only been studied recently. Motivated
by vision problems where we seek to annotate a large dataset of images via a
crowdsourced platform or alternatively, complement results from a
state-of-the-art object detector using human feedback, we study the
"completion" problem defined on graphs, where requests for additional
measurements must be made sequentially. We design the optimization model in the
Fourier domain of the graph describing how ideas based on adaptive
submodularity provide algorithms that work well in practice. On a large set of
images collected from Imgur, we see promising results on images that are
otherwise difficult to categorize. We also show applications to an experimental
design problem in neuroimaging.
- Abstract（参考訳）: コンピュータビジョンと機械学習における「ヒューマン・イン・ザ・ループ」パラダイムの採用は、実際のデータ取得(例えば、人間の監督)と根底にある推論アルゴリズムが密接に相互作用する様々な応用につながっている。
アクティブラーニングにおける古典的な作業は、学習モジュールが分類と回帰タスクを含む場合に効果的な解決策を提供するが、部分的に観測された測定や財務上の制約、さらにはデータの分散的あるいは構造的な側面など、多くの実用的な問題は、一般的にこの処理の範囲外にある。
例えば、行列(またはテンソル)として表されるデータの部分的な測定を逐次取得することで、残りのエントリの完了(または協調フィルタリング)のための新しい戦略が研究されている。
クラウドソーシングプラットフォームを介して大量の画像のアノテートや,あるいは人間のフィードバックを用いた最先端のオブジェクト検出結果の補完を目的とした視覚的問題により,我々は,グラフ上に定義された「補完」問題について検討し,追加測定の要求を順次行う必要がある。
我々は、適応部分モジュラリティに基づくアイデアが実際にうまく機能するアルゴリズムをどのように提供するかを記述するグラフのフーリエ領域で最適化モデルを設計する。
Imgurから収集した大量の画像では、分類が難しい画像に対して有望な結果が得られる。
また、ニューロイメージングにおける実験的デザイン問題への応用を示す。
関連論文リスト
- Core Knowledge Learning Framework for Graph Adaptation and Scalability Learning [7.239264041183283]
グラフ分類は、多様な予測タスクへの適応、複数のターゲットドメインでのトレーニング、小さなサンプル予測シナリオの処理など、いくつかのハードルに直面している。
本手法は,様々なタスクからの洞察を取り入れることで,グラフ分類における適応性,拡張性,一般化性を向上させることを目的とする。
実験の結果, 最先端手法と比較して, 提案手法による性能向上が顕著であった。
論文 参考訳（メタデータ） (2024-07-02T02:16:43Z) - UnSegGNet: Unsupervised Image Segmentation using Graph Neural Networks [9.268228808049951]
この研究は、教師なし医療画像とコンピュータビジョンの幅広い分野に貢献する。
これは、現実世界の課題に沿うイメージセグメンテーションのための革新的な方法論である。
提案手法は,医用画像,リモートセンシング,物体認識など,多様な応用の可能性を秘めている。
論文 参考訳（メタデータ） (2024-05-09T19:02:00Z) - Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳（メタデータ） (2024-03-23T22:32:06Z) - Loss Functions in the Era of Semantic Segmentation: A Survey and Outlook [11.119967679567587]
ロス関数は、ディープラーニングベースのセグメンテーションアルゴリズムの開発に不可欠である。
画像分割において、これらの損失関数がどのようにカスタマイズされ、どのように活用されるかについて、新しい分類法とレビューを提供する。
本稿では,現在の課題を特定し,今後の研究機会を明らかにすることで,このレビューを締めくくる。
論文 参考訳（メタデータ） (2023-12-08T22:06:05Z) - Exploring Data Aggregation and Transformations to Generalize across
Visual Domains [0.0]
この論文は、ドメイン一般化(DG)、ドメイン適応(DA)およびそれらのバリエーションの研究に寄与する。
本稿では,機能集約戦略と視覚変換を利用するドメイン一般化とドメイン適応の新しいフレームワークを提案する。
提案手法が確立したDGおよびDAベンチマークにおいて,最先端の競争的アプローチよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-08-20T14:58:14Z) - How can we learn (more) from challenges? A statistical approach to
driving future algorithm development [1.0690055408831725]
本稿では,課題から学習し,腹腔鏡ビデオにおけるインスタンスセグメンテーションの具体的タスクをインスタンス化する統計フレームワークを提案する。
2,728枚の画像から51,542個のメタデータを抽出し,ロバスト・メディカル・インスツルメンツ・チャレンジ(ROBUST-MIS)の結果に適用した。
提案手法の開発は,従来の手法が失敗する傾向にあった画像の処理において,最先端の総合的性能と具体的な強みを有する深層学習モデルを得た。
論文 参考訳（メタデータ） (2021-06-17T08:12:37Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。
本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。
提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文 参考訳（メタデータ） (2021-02-14T05:28:13Z) - Domain Shift in Computer Vision models for MRI data analysis: An
Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。
しかし、現在臨床応用はごくわずかである。
異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文 参考訳（メタデータ） (2020-10-14T16:34:21Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳（メタデータ） (2020-04-30T03:23:45Z) - Graph Representation Learning via Graphical Mutual Information
Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。
我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文 参考訳（メタデータ） (2020-02-04T08:33:49Z)
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。