論文の概要: Multiple View Generation and Classification of Mid-wave Infrared Images
using Deep Learning
- arxiv url: http://arxiv.org/abs/2008.07714v1
- Date: Tue, 18 Aug 2020 02:58:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 21:30:31.765679
- Title: Multiple View Generation and Classification of Mid-wave Infrared Images
using Deep Learning
- Title（参考訳）: 深層学習を用いた中波長赤外画像の多重ビュー生成と分類
- Authors: Maliha Arif, Abhijit Mahalanobis
- Abstract要約: 非線形特徴部分空間における赤外画像に対する未知の任意の視点を生成するための新しい研究を提案する。
逆のアプローチでは、自然画像のセマンティックな情報を理解し、それをカプセル化し、予測された未知のビューが良い3D表現を持つようにします。
- 参考スコア（独自算出の注目度）: 1.52292571922932
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a novel study of generating unseen arbitrary viewpoints for
infrared imagery in the non-linear feature subspace . Current methods use
synthetic images and often result in blurry and distorted outputs. Our approach
on the contrary understands the semantic information in natural images and
encapsulates it such that our predicted unseen views possess good 3D
representations. We further explore the non-linear feature subspace and
conclude that our network does not operate in the Euclidean subspace but rather
in the Riemannian subspace. It does not learn the geometric transformation for
predicting the position of the pixel in the new image but rather learns the
manifold. To this end, we use t-SNE visualisations to conduct a detailed
analysis of our network and perform classification of generated images as a
low-shot learning task.
- Abstract（参考訳）: 非線形特徴部分空間における赤外画像に対する未知の任意の視点を生成する新しい研究を提案する。
現在の方法は合成画像を使用し、しばしばぼやけや歪んだ出力をもたらす。
逆のアプローチでは、自然画像のセマンティック情報を理解し、それをカプセル化し、予測された未知のビューが良い3D表現を持つようにします。
さらに、非線形特徴部分空間を探索し、我々のネットワークはユークリッド部分空間ではなくリーマン部分空間で動くと結論付ける。
新しい画像中のピクセルの位置を予測する幾何学的変換を学習するのではなく、多様体を学習する。
この目的のために,t-sne可視化を用いてネットワークの詳細な解析を行い,生成画像の分類を低ショット学習タスクとして行う。
関連論文リスト
- HVDistill: Transferring Knowledge from Images to Point Clouds via Unsupervised Hybrid-View Distillation [106.09886920774002]
本稿では,HVDistillと呼ばれるハイブリッドビューに基づく知識蒸留フレームワークを提案する。
提案手法は,スクラッチからトレーニングしたベースラインに対して一貫した改善を実現し,既存のスキームを大幅に上回っている。
論文 参考訳（メタデータ） (2024-03-18T14:18:08Z) - GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。
本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。
提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-10-19T17:56:03Z) - A domain adaptive deep learning solution for scanpath prediction of
paintings [66.46953851227454]
本稿では,ある絵画の視覚的体験における視聴者の眼球運動分析に焦点を当てた。
我々は、人間の視覚的注意を予測するための新しいアプローチを導入し、人間の認知機能に影響を及ぼす。
提案した新しいアーキテクチャは、画像を取り込んでスキャンパスを返す。
論文 参考訳（メタデータ） (2022-09-22T22:27:08Z) - Decision boundaries and convex hulls in the feature space that deep
learning functions learn from images [0.0]
画像から抽出・学習する低次元多様体の特性について検討する。
画像分類モデルでは、最後に隠されたレイヤは、各クラスのイメージが他のクラスから分離され、最小限の機能を持つ層である。
特徴空間における決定境界の幾何学的配置は画素空間とは大きく異なる。
論文 参考訳（メタデータ） (2022-02-05T15:09:51Z) - LOLNeRF: Learn from One Look [22.771493686755544]
本稿では,ニューラルレイディアンス場に基づく生成3次元モデル学習手法を提案する。
既存の手法とは異なり、この目標を達成するためにマルチビューデータを必要としないことを示す。
論文 参考訳（メタデータ） (2021-11-19T01:20:01Z) - The Intrinsic Dimension of Images and Its Impact on Learning [60.811039723427676]
自然画像データは従来の画素表現の高次元にもかかわらず低次元構造を示すと広く信じられている。
本研究では,一般的なデータセットに次元推定ツールを適用し,深層学習における低次元構造の役割を検討する。
論文 参考訳（メタデータ） (2021-04-18T16:29:23Z) - IntroVAC: Introspective Variational Classifiers for Learning
Interpretable Latent Subspaces [6.574517227976925]
IntroVACは、追加ラベルから情報を活用することで、解釈可能な潜在部分空間を学習する。
IntroVACは、画像属性の微調整を可能にする潜在空間における意味のある方向を学習可能であることを示す。
論文 参考訳（メタデータ） (2020-08-03T10:21:41Z) - Deep 3D Capture: Geometry and Reflectance from Sparse Multi-View Images [59.906948203578544]
本稿では,任意の物体の高品質な形状と複雑な空間変化を持つBRDFを再構成する学習に基づく新しい手法を提案する。
まず、深層多視点ステレオネットワークを用いて、ビューごとの深度マップを推定する。
これらの深度マップは、異なるビューを粗く整列するために使用される。
本稿では,新しい多視点反射率推定ネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-03-27T21:28:54Z) - Learning Depth With Very Sparse Supervision [57.911425589947314]
本稿では, 環境との相互作用を通じて, 知覚が世界の3次元特性と結合するという考えを考察する。
我々は、環境と対話するロボットが利用できるような、特殊なグローバルローカルネットワークアーキテクチャを訓練する。
いくつかのデータセットの実験では、画像ピクセルの1つでも基底真理が利用できる場合、提案されたネットワークは、最先端のアプローチよりも22.5%の精度でモノクロの深度推定を学習できることを示している。
論文 参考訳（メタデータ） (2020-03-02T10:44:13Z)
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。