論文の概要: Robust Image Matching By Dynamic Feature Selection

• arxiv url: http://arxiv.org/abs/2008.05708v1
• Date: Thu, 13 Aug 2020 06:21:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 23:13:06.494948
• Title: Robust Image Matching By Dynamic Feature Selection
• Title（参考訳）: 動的特徴選択によるロバスト画像マッチング
• Authors: Hao Huang, Jianchun Chen, Xiang Li, Lingjing Wang, Yi Fang
• Abstract要約: 画像間の密接な対応を推定することは、長年続く課題である。 近年の研究では、畳み込みニューラルネットワーク(CNN)を導入し、高レベルの特徴マップを抽出し、特徴マッチングを通じて対応を見つける。 異なるスケールの機能を動的に選択することで、ロバストな特徴を生成する。
• 参考スコア（独自算出の注目度）: 17.3367710589782
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating dense correspondences between images is a long-standing image under-standing task. Recent works introduce convolutional neural networks (CNNs) to extract high-level feature maps and find correspondences through feature matching. However,high-level feature maps are in low spatial resolution and therefore insufficient to provide accurate and fine-grained features to distinguish intra-class variations for correspondence matching. To address this problem, we generate robust features by dynamically selecting features at different scales. To resolve two critical issues in feature selection,i.e.,how many and which scales of features to be selected, we frame the feature selection process as a sequential Markov decision-making process (MDP) and introduce an optimal selection strategy using reinforcement learning (RL). We define an RL environment for image matching in which each individual action either requires new features or terminates the selection episode by referring a matching score. Deep neural networks are incorporated into our method and trained for decision making. Experimental results show that our method achieves comparable/superior performance with state-of-the-art methods on three benchmarks, demonstrating the effectiveness of our feature selection strategy.
• Abstract（参考訳）: 画像間の密接な対応を推定することは、長年の課題である。 近年,畳み込みニューラルネットワーク(cnns)が高レベル特徴マップを抽出し,特徴マッチングによって対応関係を見つける。 しかし、高レベル特徴写像は空間分解能が低く、したがって対応マッチングのためのクラス内変分を識別するために正確できめ細かい特徴を提供するには不十分である。 この問題に対処するために,異なるスケールの機能を動的に選択することで,ロバストな特徴を生成する。 特徴選択における2つの重要な課題、すなわち、選択すべき特徴の数とスケールを解消するために、特徴選択プロセスを逐次マルコフ意思決定プロセス(mdp)として構成し、強化学習(rl)を用いた最適選択戦略を導入する。 画像マッチングのためのRL環境を定義し、各アクションが新しい特徴を必要とするか、マッチングスコアを参照して選択エピソードを終了する。 ディープニューラルネットワークは我々の手法に組み込まれ、意思決定のために訓練される。 実験の結果,提案手法は3つのベンチマークにおいて,最先端手法と同等/上位性能を達成し,特徴選択戦略の有効性を実証した。

関連論文リスト

• Unveiling the Power of Sparse Neural Networks for Feature Selection [60.50319755984697]
  スパースニューラルネットワーク(SNN)は、効率的な特徴選択のための強力なツールとして登場した。 動的スパーストレーニング(DST)アルゴリズムで訓練されたSNNは、平均して50%以上のメモリと55%以上のFLOPを削減できることを示す。 以上の結果から,DSTアルゴリズムで訓練したSNNによる特徴選択は,平均して50ドル以上のメモリと55%のFLOPを削減できることがわかった。
  論文  参考訳（メタデータ） (2024-08-08T16:48:33Z)
• Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
  本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。 提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
  論文  参考訳（メタデータ） (2024-03-06T16:31:56Z)
• Multi-objective Binary Coordinate Search for Feature Selection [0.24578723416255746]
  大規模特徴選択問題の解法として,二元多目的座標探索(MOCS)アルゴリズムを提案する。 その結果,実世界の5つの大規模データセットにおいて,NSGA-IIよりも提案手法が優れていることが示唆された。
  論文  参考訳（メタデータ） (2024-02-20T00:50:26Z)
• Copula for Instance-wise Feature Selection and Ranking [24.09326839818306]
  本稿では,変数間の相関を捉える強力な数学的手法であるガウスコプラを,現在の特徴選択フレームワークに組み込むことを提案する。 提案手法が有意な相関関係を捉えることができることを示すために, 合成データセットと実データセットの双方について, 性能比較と解釈可能性の観点から実験を行った。
  論文  参考訳（メタデータ） (2023-08-01T13:45:04Z)
• A metaheuristic multi-objective interaction-aware feature selection method [5.28539620288341]
  本稿では,いくつかの利点を有する新しい多目的特徴選択法を提案する。 高度な確率スキームを用いて特徴間の相互作用を考察する。 提案手法は,提案した確率スキームを用いて,より有望な子孫を生成する。
  論文  参考訳（メタデータ） (2022-11-10T08:56:48Z)
• Fine-Grained Dynamic Head for Object Detection [68.70628757217939]
  本稿では,各インスタンスの異なるスケールからfpn特徴の画素レベルの組み合わせを条件付きで選択する,きめ細かい動的ヘッドを提案する。 実験は,いくつかの最先端検出ベンチマークにおける提案手法の有効性と有効性を示す。
  論文  参考訳（メタデータ） (2020-12-07T08:16:32Z)
• GOCor: Bringing Globally Optimized Correspondence Volumes into Your Neural Network [176.3781969089004]
  特徴相関層は、画像ペア間の密接な対応を含むコンピュータビジョン問題において、重要なニューラルネットワークモジュールとして機能する。 我々は,特徴相関層の直接置換として機能する,完全に微分可能な密マッチングモジュール GOCor を提案する。 本手法は,幾何マッチング,光学フロー,密接なセマンティックマッチングのタスクにおいて,特徴相関層を著しく上回っている。
  論文  参考訳（メタデータ） (2020-09-16T17:33:01Z)
• Learning to Compose Hypercolumns for Visual Correspondence [57.93635236871264]
  本稿では,画像に条件付けされた関連レイヤを活用することで,動的に効率的な特徴を構成する視覚対応手法を提案する。 提案手法はダイナミックハイパーピクセルフロー(Dynamic Hyperpixel Flow)と呼ばれ,深層畳み込みニューラルネットワークから少数の関連層を選択することにより,高速にハイパーカラム機能を構成することを学習する。
  論文  参考訳（メタデータ） (2020-07-21T04:03:22Z)
• Multi-Channel Attention Selection GANs for Guided Image-to-Image Translation [148.9985519929653]
  本稿では,画像から画像への変換のためのマルチチャネルアテンション選択生成支援ネットワーク(SelectionGAN)を提案する。 提案するフレームワークとモジュールは統合されたソリューションであり、セマンティック画像合成などの他の生成タスクに応用できる。
  論文  参考訳（メタデータ） (2020-02-03T23:17:10Z)

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。